使用Python实现支持向量机 -------文章中有源码

（5）如果将线性SVM模型看作原始特征的函数，那么它实际上已经不是线性的了。它不是一条直线，而是一个椭圆。

代码：

from sklearn.datasets import make_blobs

import mglearn

import matplotlib.pyplot as plt

import numpy as np

from sklearn.svm import LinearSVC

from mpl_toolkits.mplot3d import Axes3D,axes3d

数据集引入并使用图像展示

X,y = make_blobs(centers=4,random_state=8)

y = y%2

mglearn.discrete_scatter(X[:,0],X[:,1],y)

plt.xlabel(“Feature 0”)

plt.ylabel(“Feature 1”)

plt.show()

#使用SVM进行分类

linear_svm = LinearSVC().fit(X,y)

mglearn.plots.plot_2d_separator(linear_svm,X)

mglearn.discrete_scatter(X[:,0],X[:,1],y)

plt.xlabel(“Feature 0”)

plt.ylabel(“Feature 1”)

#第二个特征的平方作为一个新的特征，二维变三维

X_new = np.hstack([X,X[:,1:]**2])

figure = plt.figure()

ax = Axes3D(figure, elev=-152, azim=-26)

mask = y == 0

ax.scatter(X_new[mask, 0], X_new[mask, 1], X_new[mask, 2], c=‘b’, cmap=mglearn.cm2, s=60)

ax.scatter(X_new[~mask, 0], X_new[~mask, 1], X_new[~mask, 2], c=‘r’, marker=‘^’, cmap=mglearn.cm2, s=60)

ax.set_xlabel(“Feature 0”)

ax.set_ylabel(“Feature 1”)

ax.set_zlabel(“Feature 1 ** 2”)

#三维

linear_svm_3d = LinearSVC().fit(X_new,y)

coef,intercept = linear_svm_3d.coef_.ravel(),linear_svm_3d.intercept_

figure = plt.figure()

ax = Axes3D(figure,elev=-152,azim=-26)

xx = np.linspace(X_new[:, 0].min() - 2, X_new[:, 0].max() + 2, 50)

yy = np.linspace(X_new[:, 1].min() - 2, X_new[:, 1].max() + 2, 50)

XX,YY = np.meshgrid(xx,yy)

ZZ = (coef[0]*XX+coef[1]*YY+intercept)/-coef[2]

ax.plot_surface(XX,YY,ZZ,rstride=8,cstride=8,alpha=0.3)

ax.scatter(X_new[mask,0],X_new[mask,1],X_new[mask,2],c=‘b’,cmap=mglearn.cm2,s=60)

ax.scatter(X_new[_{mask,0],X_new[}mask,1],X_new[~mask,2],c=‘r’, marker=‘^’, cmap=mglearn.cm2,s=60)

ax.set_xlabel(“Feature 0”)

ax.set_ylabel(“Feature 1”)

ax.set_zlabel(“Feature 1 ** 2”)

#降维

ZZ = YY ** 2

dec = linear_svm_3d.decision_function(np.c_[XX.ravel(),YY.ravel(),ZZ.ravel()])

plt.contourf(XX,YY,dec.reshape(XX.shape),levels=[dec.min(),0,dec.max()],

cmap=mglearn.cm2,alpha=0.5)

mglearn.discrete_scatter(X[:,0],X[:,1],y)

plt.xlabel(“Feature 0”)

plt.ylabel(“Feature 1”)

plt.show()

实验六 支持向量机（补充）

一、实验目的

使用Python实现支持向量机。

二、实验原理

支持向量机所作的事情其实非常容易理解。先来看看下面这一组数据的分布，这是一组两种标签的数据，两种标签分别由圆和方块代表。支持向量机的分类方法，是在这组分布中找出一个超平面作为决策边界，使模型在数据上的分类误差尽量接近于小，尤其是在未知数据集上的分类误差（泛化误差）尽量小。

三、Python包

（1）sklearn

（2）mglearn

（3）matplotlib

（4）numpy

四、问题描述

有如下数据集：

X :

[[-2.23 -1. ]

[-2.06 -1.58]

[ 0.22 -2.12]

[-1.18 -2.82]

[-1.44 -1.55]

[-0.5 -1.76]

[-0.92 -1.47]

[-0.71 -4.54]

[-1.52 -2.22]

[-2.45 -2.62]

[-1.31 -2.07]

[-3.81 -1.72]

[-2.93 -1.88]

[-1.19 -2.51]

[-0.76 -0.79]

[-4. -1.89]

[-3.08 -1.99]

[-1.96 -1.37]

[-0.78 -2.87]

[-2.87 -2.07]

[ 1.62 3.05]

[ 3.15 2.29]

[ 1.58 2.45]

[ 2.93 3.04]

[ 1.13 2.5 ]

[ 0.73 1.06]

[ 1.22 2.91]

[ 2.18 1.41]

[ 2.12 2.2 ]

[ 1.04 1.9 ]

[-0.64 3.57]

[ 1.6 3.34]

[ 0.52 0.73]
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

log.csdnimg.cn/img_convert/9f49b566129f47b8a67243c1008edf79.png)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）