SVM→8.SVM实战→2.引入核函数的SVM

SVM→8.SVM实战→2.引入核函数的SVM

《SVM→8.SVM实战→2.引入核函数的SVM》

描述	代码
导入模块	1 2 3 4 from sklearn.datasets.samples_generator import make_circles import matplotlib.pyplot as plt from sklearn.svm import SVC # "Support vector classifier" import numpy as np
生成数据集 使用make_circles函数生成用于一个大圈和一个小圈的数据，用于聚类或分类可视化，主要参数有： n_samples：样本个数 random_state：随机种子(被指定后，每次构造数据相同) factor：内圈相对外圈的缩放系数，值越小，内圈越小 noise：给数据添加的高斯噪声，越大数据分散得越开，小圈和大圈数据交集越多 返回值有样本数据集X只能是2个特征和标签y，且都是ndarray对象	1 2 3 4 In[3]: type(make_circles) Out[3]: function In[4]: X, y = make_circles(n_samples=100,random_state=10,factor=.1, noise=.1) In[5]: plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='autumn')
模型选择 使用svm.SVC(C=1.0, kernel=’rbf’)分别创建线性核和高斯核SVC对象，并绘制图像绘图函数参考见扩展 liear核函数 rbf核函数	liear核函数 1 2 3 4 In[35]: plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='autumn') In[33]: clf = SVC(kernel='linear', C=1E6) ...: clf.fit(X, y) In[34]: plot_svc_decision_function(clf) rbf核函数 1 2 3 4 In[35]: plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='autumn') In[31]: clf = SVC(kernel='rbf', C=1E6) ...: clf.fit(X, y) In[34]: plot_svc_decision_function(clf)

扩展

参考见SVM→8.SVM实战→1.训练一个基本的SVM

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

def plot_svc_decision_function(model, ax=None, plot_support=True): """Plot the decision function for a 2D SVC""" if ax is None: ax = plt.subplot(111) xlim = ax.get_xlim() ylim = ax.get_ylim() # create grid to evaluate model x = np.linspace(xlim[0], xlim[1], 30) y = np.linspace(ylim[0], ylim[1], 30) X,Y = np.meshgrid(x, y) xy = np.vstack([X.flatten(), Y.flatten()]).T P = model.decision_function(xy).reshape(X.shape) # plot decision boundary and margins #levels是 alpha是透明度 linestyles ax.contour(X, Y, P, colors='k', levels=[-1, 0, 1], alpha=0.5, linestyles=['--', '-', '--']) # plot support vectors if plot_support: ax.scatter(model.support_vectors_[:, 0], model.support_vectors_[:, 1], s=500,c='',edgecolors='black')

posted on 2018-10-08 09:40 LeisureZhao 阅读(...) 评论(...) 编辑 收藏