机器学习：线性可分的SVM(Python实现）

最新推荐文章于 2024-08-08 10:33:25 发布

DocPark

最新推荐文章于 2024-08-08 10:33:25 发布

阅读量1.6k

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/weixin_45288820/article/details/104685012

版权

本文介绍了如何使用Python实现线性可分的支持向量机（SVM），重点在于SMO算法的详细过程。通过这段代码，读者可以了解SVM在解决线性可分问题中的应用。

摘要由CSDN通过智能技术生成

实现是利用了SMO算法，该算法的计算过程在非线性那篇文章中讲过了，下面给出实现代码。

import numpy as np
import random
def selectJrand(i,m):
    j = i
    while (j==i):
        j = int(random.uniform(0,m))
    return j
def clipAlpha(aj,H,L):
    if aj > H:
        aj = H
    if L > aj:
        aj = L
    return aj

def smoSimple(dataMatIn, classLabels, C, toler, maxIter):
    dataMatrix = np.mat(dataMatIn); labelMat = np.mat(classLabels).transpose()
    b = 0; m,n = dataMatrix.shape
    alphas = np.mat(np.zeros((m,1)))
    iter = 0
    while iter < maxIter:
        alphaPairsChanged = 0
        for i in range(m):
            fXi = float(np.multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[i,:].T)) + b
            Ei = fXi - float(labelMat[i])
            if (labelMat[i]*Ei < -toler and alphas