如何用Python實(shí)現(xiàn)支持向量機(jī)？1、實(shí)現(xiàn)線性分類將numpy作為np導(dǎo)入作為工廠導(dǎo)入從生成器導(dǎo)入make _ blobs從導(dǎo)入服務(wù)中心#隨機(jī)生成的點(diǎn)，n_samples:樣本點(diǎn)數(shù)；中心:樣本點(diǎn)分為幾

如何用Python實(shí)現(xiàn)支持向量機(jī)？

1、實(shí)現(xiàn)線性分類

將numpy作為np導(dǎo)入

作為工廠導(dǎo)入

從生成器導(dǎo)入make _ blobs

從導(dǎo)入服務(wù)中心

#隨機(jī)生成的點(diǎn)，n_samples:樣本點(diǎn)數(shù)；中心:樣本點(diǎn)分為幾類；Random_state:隨機(jī)生成每次都是一致的；Cluster_std:每類樣本點(diǎn)之間的分散度。值越大，分散度越大。

x，y make _ blob(n _ samples 50，centers2，random_state0，clust:，0]，X[:，1]，cy，cmapsummer)

#使用線性分類SVC擬合

#svc函數(shù)還可以包括以下參數(shù)(具體例子見):文章末尾

# 1，c(c越大，分類越嚴(yán)格，不能有錯(cuò)；當(dāng)c趨于小時(shí)，意味著可以有更大的誤差容限)

#2，內(nèi)核(內(nèi)核必須是[ ;線性和線性。;， 保利 ， rbf ， 乙狀結(jié)腸 ， 預(yù)計(jì)算 ]，默認(rèn)為 RBF ).

# 3，gamma(gamma越大，模型越復(fù)雜，會(huì)導(dǎo)致過擬合，對(duì)線性核函數(shù)沒有影響)。

SVC型(內(nèi)核線性)

(X，y)

繪圖_ svc _決策_(dá)函數(shù)(模型)

這里我們用函數(shù)plot_svc_decision_function()畫邊界線，圈出支持向量。

def plot_svc_decision_function(型號(hào)，axNon:

#繪制2D SVC的決策函數(shù)

如果ax是Non:

ax plt.gca()

#找到圖片的X軸和Y軸的邊界

xlim _xlim()

ylim _ylim()

#創(chuàng)建網(wǎng)格以評(píng)估模型

x (xlim[0]，xlim[1]，30)

y (ylim[0]，ylim[1]，30)

y，X (y，X)

#在圖上形成所有坐標(biāo)點(diǎn)(900，2)和900個(gè)二維點(diǎn)。

xy np.vstack([X.ravel()，Y.ravel()])。T

#計(jì)算每個(gè)點(diǎn)到邊界的距離(30，30)

P _function(xy)。重塑()

#繪制等高線(距離邊界線為0的實(shí)線和距離為1的過度支持向量的虛線)。

(X，Y，P，colorsk，色階[-1，0，1]，alpha0.5，線型[-，-，- ])

#圈出支持向量

如果plot_support:

#_vectors_ function可以打印出所有支持向量的坐標(biāo)。

(_vectors_[:，0],_vectors_[:，1]，s200，c，edgecolorsk)

_xlim(xlim)

_ylim(ylim)

繪制效果圖如下:

Python如何繪制長(zhǎng)方形？

導(dǎo)入為plt #定義plt繪圖組件。

d，e [-1，-1，1，1，-1]，[-1，1，1，-1] #定義五個(gè)點(diǎn)。最后一點(diǎn)與第一點(diǎn)不謀而合。

(D，E) #依次在五個(gè)點(diǎn)前畫四條線。形成一個(gè)長(zhǎng)方形(這里是一個(gè)正方形)

()#顯示圖片