SVM→8.SVM实战→1.训练一个基本的SVM

《SVM→8.SVM实战→1.训练一个基本的SVM》

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

使用make_blobs函数生成用于聚类的数据，主要参数有：

n_samples：样本个数
centers：样本中心（类别）数
random_state：随机种子(被指定后，每次构造数据相同)
cluster_std：数据离散程度
n_features：特征数，默认是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=0.60)
In[5]: plt.scatter(X[:, 0], X[:, 1], c=y,  s=50, cmap='autumn')

模型选择

使用svm.SVC(C=1.0, kernel=’rbf’)来创建一个SVC对象，C是惩罚参数，默认是1，kernel是核函数，默认是rbf核函数。主要的属性有：

support_vectors_：支持向量

主要的方法有：

fit(X,y)：根据给定的训练集X及标签y，拟合SVM模型

decision_function(X)：

In[10]: model = SVC(kernel='linear')
   ...: model.fit(X, y)
   ...: type(model.fit(X, y))
Out[10]: sklearn.svm.classes.SVC

In[8]: model.support_vectors_
Out[8]: 
array([[0.44359863, 3.11530945],
       [2.33812285, 3.43116792],
       [2.06156753, 1.96918596]])

绘制图形

调用函数

1	plot_svc_decision_function(model)

结果显示

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是等高线高度 alpha是透明度 linestyles与levels对应
    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')

SVM→8.SVM实战→1.训练一个基本的SVM

猜你喜欢