python实现svm源程序_python实现SVM

一、概述

支持向量机(SVM)是一系列可用于分类、回归和异常值检测的有监督学习方法。

优点：

在高维空间中行之有效。

当维数大于样本数时仍然可用。

在决策函数中只使用训练点的一个子集(称为支持向量)，大大节省了内存开销。

用途广泛：决策函数中可以使用不同的核函数。提供了一种通用的核，但是也可以指定自定义的核。

劣势：

如果特征数量远大于样本数量，则表现会比较差。

SVM不直接提供概率估计。这个值通过五折交叉验证计算，代价比较高

二、分类

要在数据集上进行多类别分类，可以使用SVC，NuSVC和LinearSVC这三个类。 SVC和NuSVC两种方法类似，但是接受的参数有细微不同，而且底层的数学原理不一样。另一方面，LinearSVC是对支持向量分类的另一种实现，使用了线性核。注意LinearSVC不接受关键字kernel，因为核被预设为是线性的。其与SVC和NuSVC相比还缺少了一些成员，如support_。

和其它分类器一样，SVC，NuSVC和LinearSVC接受两个数组：大小为[n_samples, n_features]的数组X，包含训练样本；以及大小为[n_samples]的数组y，包含类别标签(以字符串类型或整型存储)。

二分类：

sklearn

sklearn svm

(,sklearn.)

X = [[, ], [, ],[-,-]]

y = [,,]

clf = svm.SVC()

(clf.fit(X, y))

result=clf.predict([[, ],[,-]])

(result)

(clf.support_vectors_)

(clf.support_ )

(clf.n_support_)

输出：

sklern version: 0.18.1

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,

decision_function_shape=None, degree=3, gamma='auto', kernel='rbf',

max_iter=-1, probability=False, random_state=