支持向量机代码示例

星途*

已于 2023-05-22 10:19:57 修改

阅读量192

点赞数

分类专栏： Python 文章标签：支持向量机机器学习人工智能

于 2023-05-21 19:25:22 首次发布

本文链接：https://blog.csdn.net/weixin_55798278/article/details/130795423

版权

Python 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

该文展示了如何使用Python的sklearn库构建SVM模型，特别是选择了不同的核函数如线性、多项式和径向基函数进行数据分类。通过加载鸢尾花数据集，将数据拆分为训练集和测试集，然后训练模型并计算预测准确性。

摘要由CSDN通过智能技术生成

import numpy as np  
from sklearn import datasets  
from sklearn.model_selection import train_test_split  
from sklearn.svm import SVC  
  
# 加载数据集  
iris = datasets.load_iris()  
X = iris.data[:, :2]  # 取前两个特征  
y = iris.target  
  
# 将数据集拆分为训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)  
  
# 定义SVM模型  
svm_model = SVC(kernel='linear')  
  
# 在训练集上拟合模型  
svm_model.fit(X_train, y_train)  
  
# 在测试集上进行预测  
y_pred = svm_model.predict(X_test)  
  
# 计算模型的准确性  
accuracy = np.mean(y_pred == y_test)  
print("Accuracy:", accuracy)

其中svm_model = SVC(kernel='linear') 中的参数kernel为核函数，根据不同需要可以选择如下几种核函数：

线性核函数（linear）：将输入数据映射到一个高维空间中，并在该空间中进行平滑的非线性变换，以便更好地分离数据。
多项式核函数（poly）：将输入数据映射到一个高维空间中，并在该空间中进行多项式逼近，以便更好地分离数据。
径向基核函数（rbf）：在输入数据上应用径向基函数，以便对数据进行非线性分离。
核函数（linear）：默认值，使用线性核函数。
样本-特征核函数（sample_normalize）：对每个样本的特征进行归一化，以便在空间上更好地分离数据。
样本-样本核函数（sample_normalize）：对每个样本的样本进行归一化，以便在空间上更好地分离数据。
高斯径向基核函数（rbf_kernel）：在输入数据上应用高斯径向基函数，以便对数据进行非线性分离。
带噪声径向基核函数（rbf_kernel_with_noise）：在带噪声的输入数据上应用径向基函数，以便对数据进行非线性分离。