本文详细介绍了如何在Python中使用sklearn库实现支持向量机（SVM）分类。首先，通过numpy的loadtxt读取数据，接着划分训练集和测试集，然后训练SVM分类器，讨论了不同核函数和参数的影响。最后，计算分类准确率并绘制决策边界图像，帮助理解SVM的工作原理。
除了在Matlab中使用PRTools工具箱中的svm算法，Python中一样可以使用支持向量机做分类。因为Python中的sklearn库也集成了SVM算法，本文的运行环境是Pycharm。
一、导入sklearn算法包
Scikit-Learn库已经实现了所有基本机器学习的算法，具体使用详见官方文档说明
skleran中集成了许多算法，其导入包的方式如下所示，
逻辑回归：from sklearn.linear_model import LogisticRegression
朴素贝叶斯：from sklearn.naive_bayes import GaussianNB
K-近邻：from sklearn.neighbors import KNeighborsClassifier
决策树：from sklearn.tree import DecisionTreeClassifier
支持向量机：from sklearn import svm
二、sklearn中svc的使用
(1)使用numpy中的loadtxt读入数据文件
loadtxt()的使用方法：
fname:文件路径。eg：C:/Dataset/iris.txt。
dtype：数据类型。eg：float、str等。
delimiter：分隔符。eg：‘，'。
converters：将数据列与转换函数进行映射的字典。eg：{1:fun}，含义是将第2列对应转换函数进行转换。
use
最低0.47元/天 解锁文章
扫一扫
2230
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
