支持向量机，英文全称为support vecto machines，简称svm。它是一种非常优秀的分类模型，特别在小样本、非线性以及高维模式识别中有很好的表现。svm是由vapnik团队在1992年提出，最初被用来解决二分类问题，后来逐渐发展成为可以处理多分类问题的算法。
Python是一种简洁而强大的编程语言，它实现了众多机器学习算法的包，其中包括SVM。本文将介绍通过Python实现支持向量机算法的步骤。
一、准备数据
我们来构造一组简单的训练数据。创建一个示例数据集，其中x1表示身高，x2表示体重，y为类别标签（0或1）。
import numpy as npimport matplotlib.pyplot as pltnp.random.seed(7)X_train = np.array([[167, 75], [182, 80], [176, 85], [156, 50], [173, 70], [183, 90], [178, 75], [156, 45], [162, 55], [163, 50], [159, 45], [180, 85]])y_train = np.array([0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1])plt.scatter(X_train[y_train == 0][:, 0], X_train[y_train == 0][:, 1], c='r', s=40, label='Male')plt.scatter(X_train[y_train == 1][:, 0], X_train[y_train == 1][:, 1], c='b', s=40, label='Female')plt.legend()plt.xlabel('Height')plt.ylabel('Weight')plt.show()
登录后复制
在这个数据集中，我们将人群分类为男性或女性。
立即学习“Python免费学习笔记（深入）”；
二、选择分类器
接下来，我们要选择适用于这个问题的分类器，即SVM。SVM有许多变种，但是在这里，我们使用的是线性SVM。
我们来构造一个SVM模型：
from sklearn.svm import SVCsvm = SVC(kernel='linear')svm.fit(X_train, y_train)
登录后复制
在这里，我们使用的是SVC类，指定kernel参数为linear，表明我们使用线性核。
三、绘制决策边界
我们想要知道模型的性能如何，因此我们可以在绘制出分类器的决策边界：
def plot_decision_boundary(model, ax=None): if ax is None: ax = plt.gca() x_min, x_max = ax.get_xlim() y_min, y_max = ax.get_ylim() xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100), np.linspace(y_min, y_max, 100)) Z = model.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape) ax.contourf(xx, yy, Z, alpha=0.2) ax.contour(xx, yy, Z, colors='black', linewidths=0.5) ax.set_xlim([x_min, x_max]) ax.set_ylim([y_min, y_max]) plt.scatter(X_train[y_train == 0][:, 0], X_train[y_train == 0][:, 1], c='r', s=40, label='Male')plt.scatter(X_train[y_train == 1][:, 0], X_train[y_train == 1][:, 1], c='b', s=40, label='Female')plot_decision_boundary(svm)plt.legend()plt.xlabel('Height')plt.ylabel('Weight')plt.show()
登录后复制
运行结束后，可以看到绘制出了分类器的决策边界。
四、预测新数据
我们可以用训练好的模型对新的数据进行预测。
X_test = np.array([[166, 70], [185, 90], [170, 75]])y_test = svm.predict(X_test)print(y_test)
登录后复制
在这里，我们使用predict函数对三个新数据样本进行预测。它将返回它们的类别。
结论
在这篇文章中，我们介绍了如何使用Python中的支持向量机算法。我们通过创建一个简单的训练数据集，并使用线性SVM构建了一个分类器。我们还绘制了分类器的决策边界，并使用模型来预测了新的数据样本。SVM在许多场合也是非常受欢迎的算法，可以在很多领域获得好的表现。如果你想在处理数据时，掌握更多机器学习的算法，那么SVM也是非常值得学习的。
以上就是Python中的支持向量机算法实例的详细内容，更多请关注【创想鸟】其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至253000106@qq.com举报，一经查实，本站将立刻删除。
发布者：PHP中文网，转转请注明出处：https://www.chuangxiangniao.com/p/2233553.html
