支持向量机(SVM)

Posted shiheyuanfang

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了支持向量机(SVM)相关的知识,希望对你有一定的参考价值。

#线性支持向量机

#代码:

from sklearn import datasets
x,y = datasets.make_classification(n_samples=100,n_features=2,n_redundant=0,n_classes=2,random_state=7816)
x.shape,y.shape
import matplotlib.pyplot as plt
%matplotlib inline
plt.scatter(x[:,0],x[:,1],c=y,s=100)
plt.xlabel(‘x values‘)
plt.ylabel(‘y values‘)
import numpy as np
x = x.astype(np.float32)
y = y*2-1
from sklearn import model_selection as ms
x_train,x_test,y_train,y_test = ms.train_test_split(x,y,test_size=0.2,random_state=42)
print(x)
print(y)

x = x.astype(np.float32)
y = y*2-1
from sklearn import model_selection as ms
x_train,x_test,y_train,y_test = ms.train_test_split(x,y,test_size=0.2,random_state=42)
import cv2
svm = cv2.ml.SVM_create()
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.train(x_train,cv2.ml.ROW_SAMPLE,y_train)
_,y_pred = svm.predict(x_test)
from sklearn import metrics
metrics.accuracy_score(y_test,y_pred)
def plot_decision_boundary(svm, X_test, y_test):
    # create a mesh to plot in
    h = 0.02  # step size in mesh
    x_min, x_max = X_test[:, 0].min() - 1, X_test[:, 0].max() + 1
    y_min, y_max = X_test[:, 1].min() - 1, X_test[:, 1].max() + 1
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                         np.arange(y_min, y_max, h))
   
    X_hypo = np.c_[xx.ravel().astype(np.float32),
                   yy.ravel().astype(np.float32)]
    _, zz = svm.predict(X_hypo)
    zz = zz.reshape(xx.shape)
   
    plt.contourf(xx, yy, zz, cmap=plt.cm.coolwarm, alpha=0.8)
    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, s=200)
plt.figure(figsize=(10, 6))
plot_decision_boundary(svm, x_test, y_test)
可视化决策边界结果:
技术图片

 #非线性支持向量机:

#代码:

kernels = [cv2.ml.SVM_LINEAR,cv2.ml.SVM_INTER,cv2.ml.SVM_SIGMOID,cv2.ml.SVM_RBF]
for idx,kernel in enumerate(kernels):
    svm = cv2.ml.SVM_create()
    svm.setKernel(kernel)
    svm.train(x_train,cv2.ml.ROW_SAMPLE,y_train)
    _,y_pred = svm.predict(x_test)
    accuracy = metrics.accuracy_score(y_test,y_pred)
   
    plt.subplot(2,2,idx+1)
    plot_decision_boundary(svm,x_test,y_test)
    plt.title(‘accuracy = %.2f‘ %accuracy)

技术图片

 

 

 

以上是关于支持向量机(SVM)的主要内容,如果未能解决你的问题,请参考以下文章

支持向量机原理

支持向量机(SVM)基本原理

0#07 SVM 支持向量机

支持向量机

11支持向量机SVM:线性可分支持向量机

支持向量机(SVM):超平面及最大间隔化支持向量机的数学模型软间隔与硬间隔线性可分支持向量机线性支持向量机非线性支持向量机核函数核函数选择SMO算法SVM vs LR优缺点