python sklearn 支持向量机_python使用sklearn中的SVM（入门级）

1，先说个例子，看看简单的使用sklean中的SVC(support vectors classification)。

from sklearn import svm

import warnings

warnings.filterwarnings("ignore", category=FutureWarning, module="sklearn", lineno=196)

X = [[0, 0], [0, 1], [1, 0], [1, 1]] # training samples

y = [0, 1, 2, 3] # training target

clf = svm.SVC() # class

clf.fit(X, y) # training the svc model

print(clf.score([[0, 0], [0, 1], [1, 0], [1, 1]],[0, 1, 1, 3]))

result = clf.predict([[0, 1]]) # predict the target of testing samples

print(result) # target

运行结果如下：

0.75

[1]

说明在测试集上的准确率为75%，测试数据预测结果为1。

2，SVM既可以用来分类，就是SVC；又可以用来预测，或者称为回归，就是SVR。我们也使用一个小例子说明SVR怎么用。

from sklearn import svm

import warnings

warnings.filterwarnings("ignore", category=FutureWarning, module="sklearn", lineno=196)

X = [[0, 0], [1, 1]]

y = [0.5, 1.5]

clf = svm.SVR()

clf.fit(X, y)

result = clf.predict([[2, 2]])

print(result)

运行结果如下：

[1.22120072]

有用的参考文档：

SVC:

SVR:

其他：

标签：svm,python,clf,SVC,SVM,result,SVR,sklearn

来源： https://blog.csdn.net/weixin_41322458/article/details/94389356