1.简单的应用,(用前两节的例子)
直接上代码:
from sklearn import svm x = [[2,0],[1,1],[2,3]]#定义三个点 y = [0,0,1] #(class label)分类的标记 clf = svm.SVC(kernel="linear")#通过svm来建立模型,SVC为一个方程,里面的参数下节课会说到,算法就是上两节课里面的算法 clf.fit(x,y) print(clf) #打印出支持向量是哪几个点 print('='*200) print(clf.support_vectors_) print('='*200) #打印出到底哪几个点是属于支持向量,打印出的是下标 print(clf.support_) print('='*200) #打印出有几个属于支持向量 print(clf.n_support_)
结果如图:
这个例子就用了sklearn的SVM库,对它所建立的模型进行检测,如果有新点则可以用predict来进行预测,来判断它的属性
#例如,我们想知道(2,0)这个点的对应的类别标记 print(clf.predict([[2,0]]))#注意这个点的输入,有两个中括号
预测的结果为: [0]
和上面的结果一致。
下一节 我们来看稍微复杂一些的Python的实例