SVM→8.SVM实战→3.调节SVM参数

最新推荐文章于 2021-05-09 14:37:55 发布

LeisureZhao

最新推荐文章于 2021-05-09 14:37:55 发布

阅读量470

点赞数

本文链接：https://blog.csdn.net/xiangrongweng0547/article/details/86175426

版权

SVM→8.SVM实战→3.调节SVM参数

《SVM→8.SVM实战→3.调节SVM参数》

描述

代码

导入模块

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
1. 使用make_blobs函数生成用于聚类的数据，主要参数有：
  1. n_samples：样本个数
  2. centers：样本中心（类别）数
  3. random_state：随机种子(被指定后，每次构造数据相同)
  4. cluster_std：数据离散程度
  5. n_features：特征数，默认是2
2. 返回值有样本数据集X和标签y，且都是ndarray对象

In[3]: type(make_blobs)
Out[3]: function
In[4]: X, y = make_blobs(n_samples=50, centers=2,random_state=0, cluster_std=0.80)
In[5]: plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='autumn')

模型选择及超参数调优
1. 使用svm.SVC(C=1.0, kernel=’rbf’)来创建一个SVC对象，选择核为linear及不同的C
2. 当C值特别大时，相当于=0，此时为硬间隔最大化；当C值很小时，此时为软间隔最大化，软间隔的支持向量或者在间隔边界上，或者在间隔边界与分离超平面之间，或者在分离超平面误分一侧。

_,axi = plt.subplots(1,2)

for axi, C in zip(axi, [10.0, 0.1]):
model = SVC(kernel='linear', C=C).fit(X, y)
axi.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='autumn')
plot_svc_decision_function(model, axi)
axi.set_title('C = {0:.1f}'.format(C), size=14)

plot_svc_decision_function参考见扩展

绘制图形
1. 使用svm.SVC(C=1.0, kernel=’rbf’)来创建一个SVC对象，选择核为rbf及不同的gamma
2. gamma越大，拟合的曲线就越复杂。

_,axi = plt.subplots(1,2)

for axi, gamma,C in zip(axi, [10.0, 0.1],[1,1]):
model = SVC(kernel='rbf', gamma=gamma,C=C).fit(X, y)
axi.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='autumn')
plot_svc_decision_function(model, axi)
axi.set_title('gamma = {0:.1f}'.format(gamma), size=14)

扩展

参考见SVM→8.SVM实战→1.训练一个基本的SVM

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')