成年性生交大片免费看,国产精品久久久一区二区三区

Python中的支持向量機算法實例

王林

發(fā)布： 2023-06-10 16:42:14

原創(chuàng)

1643人瀏覽過

支持向量機，英文全稱為support vecto machines，簡稱svm。它是一種非常優(yōu)秀的分類模型，特別在小樣本、非線性以及高維模式識別中有很好的表現(xiàn)。svm是由vapnik團隊在1992年提出，最初被用來解決二分類問題，后來逐漸發(fā)展成為可以處理多分類問題的算法。

Python是一種簡潔而強大的編程語言，它實現(xiàn)了眾多機器學(xué)習(xí)算法的包，其中包括SVM。本文將介紹通過Python實現(xiàn)支持向量機算法的步驟。

一、準備數(shù)據(jù)

我們來構(gòu)造一組簡單的訓(xùn)練數(shù)據(jù)。創(chuàng)建一個示例數(shù)據(jù)集，其中x1表示身高，x2表示體重，y為類別標簽（0或1）。

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(7)
X_train = np.array([[167, 75], [182, 80], [176, 85], [156, 50], [173, 70], [183, 90], [178, 75], [156, 45],
                    [162, 55], [163, 50], [159, 45], [180, 85]])
y_train = np.array([0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1])
plt.scatter(X_train[y_train == 0][:, 0], X_train[y_train == 0][:, 1], c='r', s=40, label='Male')
plt.scatter(X_train[y_train == 1][:, 0], X_train[y_train == 1][:, 1], c='b', s=40, label='Female')
plt.legend()
plt.xlabel('Height')
plt.ylabel('Weight')
plt.show()

登錄后復(fù)制

在這個數(shù)據(jù)集中，我們將人群分類為男性或女性。

立即學(xué)習(xí)“Python免費學(xué)習(xí)筆記（深入）”；

二、選擇分類器

接下來，我們要選擇適用于這個問題的分類器，即SVM。SVM有許多變種，但是在這里，我們使用的是線性SVM。

我們來構(gòu)造一個SVM模型：

from sklearn.svm import SVC

svm = SVC(kernel='linear')
svm.fit(X_train, y_train)

登錄后復(fù)制

在這里，我們使用的是SVC類，指定kernel參數(shù)為linear，表明我們使用線性核。

三、繪制決策邊界

法語寫作助手

法語助手旗下的AI智能寫作平臺，支持語法、拼寫自動糾錯，一鍵改寫、潤色你的法語作文。

查看詳情

我們想要知道模型的性能如何，因此我們可以在繪制出分類器的決策邊界：

def plot_decision_boundary(model, ax=None):
    if ax is None:
        ax = plt.gca()
    x_min, x_max = ax.get_xlim()
    y_min, y_max = ax.get_ylim()
    xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100),
                         np.linspace(y_min, y_max, 100))
    Z = model.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)
    ax.contourf(xx, yy, Z, alpha=0.2)
    ax.contour(xx, yy, Z, colors='black', linewidths=0.5)
    ax.set_xlim([x_min, x_max])
    ax.set_ylim([y_min, y_max])
    
plt.scatter(X_train[y_train == 0][:, 0], X_train[y_train == 0][:, 1], c='r', s=40, label='Male')
plt.scatter(X_train[y_train == 1][:, 0], X_train[y_train == 1][:, 1], c='b', s=40, label='Female')
plot_decision_boundary(svm)
plt.legend()
plt.xlabel('Height')
plt.ylabel('Weight')
plt.show()

登錄后復(fù)制

運行結(jié)束后，可以看到繪制出了分類器的決策邊界。

四、預(yù)測新數(shù)據(jù)

我們可以用訓(xùn)練好的模型對新的數(shù)據(jù)進行預(yù)測。

X_test = np.array([[166, 70], [185, 90], [170, 75]])
y_test = svm.predict(X_test)
print(y_test)

登錄后復(fù)制

在這里，我們使用predict函數(shù)對三個新數(shù)據(jù)樣本進行預(yù)測。它將返回它們的類別。

結(jié)論

在這篇文章中，我們介紹了如何使用Python中的支持向量機算法。我們通過創(chuàng)建一個簡單的訓(xùn)練數(shù)據(jù)集，并使用線性SVM構(gòu)建了一個分類器。我們還繪制了分類器的決策邊界，并使用模型來預(yù)測了新的數(shù)據(jù)樣本。SVM在許多場合也是非常受歡迎的算法，可以在很多領(lǐng)域獲得好的表現(xiàn)。如果你想在處理數(shù)據(jù)時，掌握更多機器學(xué)習(xí)的算法，那么SVM也是非常值得學(xué)習(xí)的。

以上就是Python中的支持向量機算法實例的詳細內(nèi)容，更多請關(guān)注php中文網(wǎng)其它相關(guān)文章！

相關(guān)標簽：

python編程