SVM用sklearn库实现（一）

最新推荐文章于 2024-08-07 09:41:39 发布

weixin_41376658

最新推荐文章于 2024-08-07 09:41:39 发布

阅读量3.5k

点赞数 1

分类专栏：机器学习入门篇

本文链接：https://blog.csdn.net/weixin_41376658/article/details/79415192

版权

本文介绍了如何使用sklearn库实现SVM，主要用于二分类问题。SVM寻找最佳决策边界，使得离该边界最近的支持向量尽可能远离。通过调整C参数和gamma值，可以控制模型的复杂度和容忍的误分类程度。文中给出了训练线性SVM的示例，并展示了如何查看支持向量。

摘要由CSDN通过智能技术生成

** SVM support_vector_machines 支持向量机
1、解决的是二分类问题
2、什么样的决策边界才是最好的。
3、找到一条线（面），使离该线最近的点，能够最远。最近的点称为支持向量，该线是分类线。
图中带圈的点为支持向量，中间的线为分界线

code

训练一个基本的SVM，线性的

from sklearn.svm import SVC # "Support vector classifier"
model = SVC(kernel='linear')
model.fit(X, y)```

得到的结果为：
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape=None, degree=3, gamma='auto', kernel='linear',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)

可以从中看出那些重