机器学习SVM高斯核函数作业中使用python等高线图可视化决策边界

最新推荐文章于 2024-07-16 21:32:37 发布

群岛

最新推荐文章于 2024-07-16 21:32:37 发布

阅读量3.3k

点赞数

分类专栏：机器学习文章标签： python 机器学习 pycharm 支持向量机

本文链接：https://blog.csdn.net/weixin_44264373/article/details/123667033

版权

机器学习专栏收录该内容

3 篇文章 1 订阅

订阅专栏

svc = svm.SVC(C=100, kernel='rbf', gamma=10, probability=True)
svc.fit(data[['X1', 'X2']], data['y'])
svc.score(data[['X1', 'X2']], data['y'])
predict_prob = svc.predict_proba(data[['X1', 'X2']])[:, 0]
print(predict_prob.shape)
#决策边界
axis=[0, 1, 0.3,1]#初始化点集
x0,x1=np.meshgrid(
        np.linspace(axis[0], axis[1], int((axis[1]-axis[0])*100)).reshape(-1, 1),
      np.linspace(axis[2], axis[3], int((axis[3]-axis[2])*100)).reshape(-1, 1)
   )
X_new = np.c_[x0.ravel(), x1.ravel()]   #c_[]将两个数组以列的形式拼接起来，形成矩阵。
y_predict = svc.predict(X_new)
zz = y_predict.reshape(x0.shape)#预测结果
fig, ax = plt.subplots(figsize=(8,6))
ax.contourf(x0, x1, zz, linewidths=5)#等高线图需要放在点图前面否则会覆盖
ax.scatter(data['X1'], data['X2'], s=30, c=predict_prob, cmap='Reds')
plt.show()

效果：