SVM→8.SVM实战→1.训练一个基本的SVM

SVM→8.SVM实战→1.训练一个基本的SVM

《SVM→8.SVM实战→1.训练一个基本的SVM》

描述	代码
导入模块	1 2 3 4 from sklearn.datasets.samples_generator import make_blobs 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_blobs函数生成用于聚类的数据，主要参数有： n_samples：样本个数 centers：样本中心（类别）数 random_state：随机种子(被指定后，每次构造数据相同) cluster_std：数据离散程度 n_features：特征数，默认是2 返回值有样本数据集X和标签y，且都是ndarray对象	1 2 3 4 In[3]: type(make_blobs) Out[3]: function In[4]: X, y = make_blobs(n_samples=50, centers=2,random_state=0, cluster_std=0.60) 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’)来创建一个SVC对象，C是惩罚参数，默认是1，kernel是核函数，默认是rbf核函数。主要的属性有： support_vectors_：支持向量 主要的方法有： fit(X,y)：根据给定的训练集X及标签y，拟合SVM模型 decision_function(X)： 1 2 3 4 In[10]: model = SVC(kernel='linear') ...: model.fit(X, y) ...: type(model.fit(X, y)) Out[10]: sklearn.svm.classes.SVC 1 2 3 4 5 In[8]: model.support_vectors_ Out[8]: array([[0.44359863, 3.11530945], [2.33812285, 3.43116792], [2.06156753, 1.96918596]])
绘制图形 调用函数   1 plot_svc_decision_function(model) 结果显示	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是等高线高度 alpha是透明度 linestyles与levels对应 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 08:44 LeisureZhao 阅读(...) 评论(...) 编辑 收藏