sklearn学习笔记SVM 之 非线性SVM

推荐阅读：

机器学习可使用的数据集介绍

数据集的导入及缺失值处理

功能强大的Python包sklearn概述

 

使用具有 RBF 内核的非线性 SVC 进行分类， 要预测的目标为数据集的标签 target。本次实验所用的数据选用 sklearn.datasets 自带的鸢尾花 Iris 数据集：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets # 导入数据集
from matplotlib.colors import ListedColormap
from sklearn import svm  # sklearn 自带 SVM 分类器

# 设置颜色
cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#AAAAFF'])
cmap_bold = ListedColormap(['#FF0000', '#00FF00', '#0000FF'])

# 导入鸢尾花（Iris）数据集
iris = datasets.load_iris()
X = iris.data[:, 0:2]  # 取数据集前两列特征向量
Y = iris.target  # 取数据集的标签（鸢尾花类型）

clf = svm.NuSVC()  # 创建 SVM 分类起
clf.fit(X, Y)  # 拟合数据

# 设置 X、Y 轴
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max), np.arange(y_min, y_max))

# 绘制网格上每个数据点的决策函数
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.pcolormesh(xx, yy, Z, cmap = cmap_light)
plt.scatter(X[:, 0], X[:, 1], c = Y, cmap = cmap_bold, edgecolors = 'k', s = 30)

plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.show()

基于 Anaconda + Jupyter Notebook 环境的运行结果为：

Non-linear SVM

 

推荐阅读：

sklearn学习笔记SVM 之 鸢尾花二特征分类

sklearn学习笔记SVM 之 分离超平面的最大边距

sklearn学习笔记SVM 之 自定义Kernel