1.从本篇后展示不更新支持向量机了,就下来会更新TensorFlow基础开始的博客,以后会把支持向量机更新完的。
2.第二个SVM上Python的实例
3.直接看代码:
import numpy as np import pylab as pl #提供Python的画图功能 from sklearn import svm #创建四十个点 a = np.random.seed(0)#seed()方法,;里面的参数没变,使每次程序生成结果不变 #np.random.randn(20, 2):每个点都是二维的即x点与y点,打印出来的话有二十行,两列,每行组成一个坐标 #[2,2]加上是在下方,减去是在上方 #np.r_是按列连接两个矩阵,就是把两矩阵上下相加,要求列数相等,np.c_则相反 X = np.r_[np.random.randn(20, 2) - [2, 2], np.random.randn(20, 2) + [2, 2]] Y = [0]*20 +[1]*20#对应的归类标记,前20个为0,后20个为1 #建立SVM模型 clf = svm.SVC(kernel="linear") clf.fit(X,Y) # w = clf.coef_[0] a = -w[0]/w[1]#斜率 xx = np.linspace(-5, 5) yy = a*xx - (clf.intercept_[0])/w[1] b = clf.support_vectors_[0]#取第一个支持向量 yy_down = a*xx + (b[1] - a*b[0]) b = clf.support_vectors_[-1]#取最后一个支持向量 yy_up = a*xx + (b[1] - a*b[0]) # of a line y=a.x +b: the generic w_0x + w_1y +w_3=0 can be rewritten y = -(w_0/w_1) x + (w_3/w_1) print("w: ",w) print("a: ",a) print("support_vectors_: ", clf.support_vectors_) print("clf.coef_: ", clf.coef_) pl.plot(xx, yy, 'k-') pl.plot(xx, yy_down, 'k--') pl.plot(xx, yy_up, 'k--') pl.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], s=80, facecolors='none')#画出周围的点 pl.scatter(X[:, 0], X[:, 1], c=Y, cmap=pl.cm.Paired) pl.axis('tight') pl.show()#把图形画出来
4.运行结果:
下面几节会先更新,TensorFlow深度学习的文章。