[sklearn]三种方式实现PolynomialSVC

本文主要参考了两个博客，首先，我参考了https://blog.csdn.net/lanchunhui/article/details/50521648当中对sklearn中pipeline机制的讲解，具体如图1

其次，我的代码部分主要参考了https://blog.csdn.net/weixin_39881922/article/details/80251055当中绝大部分的代码及思想，我的贡献仅仅是将原文作者pipeline当中的操作拆分成单步操作，以让读者更好地理解多项式核是如何作用在LinearSVM当中以及PolynormialSVC的实现机制，代码如下：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.preprocessing import PolynomialFeatures, StandardScaler
from sklearn.svm import LinearSVC
from sklearn.pipeline import Pipeline
from sklearn.svm import SVC
#由于原数据集太过规整，需要加上随机噪声，实质是增加数据标准差
x,y=datasets.make_moons(noise=0.15,random_state=666)

#方法一：拆分成单步的PolynomialSVC
pl = PolynomialFeatures(degree=3)
poly_f = pl.fit_transform(x)
standardScaler=StandardScaler()
standardScaler.fit(poly_f)
f_standard = standardScaler.transform(poly_f)

poly_svc_single_step = LinearSVC(C=10000)
poly_svc_single_step.fit(f_standard, y)

#方法二：采用pipeline封装方法一的过程
def PolynomialSVC_pipeline(d, C):
    '''
    :param d:阶数
    :param C:正则化常数
    :return:一个Pipeline实例
    '''
    return Pipeline([
        ('poly', PolynomialFeatures(degree=d)),
        ('std_scaler', StandardScaler()),
        ('linerSVC', LinearSVC(C=C)