# -*- coding: utf-8 -*- ''' Created on 2018年1月15日 @author: Jason.F @summary: Scikit-Learn庫支持向量機分類算法 '''from sklearn import datasets import numpy as np from sklearn.cross_validation import train_test_split from sklearn.preprocessing import StandardScaler from matplotlib.colors import ListedColormap import matplotlib.pyplot as plt from sklearn.svm import SVC from sklearn.metrics import accuracy_score from sklearn.linear_model import SGDClassifier #決策邊界函數 def plot_decision_regions(X,y,classifier,test_idx=None,resolution=0.02):# 設置標記點和顏色markers = ('s','x','o','^','v')colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')cmap = ListedColormap(colors[:len(np.unique(y))])# 繪制決策面x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution),np.arange(x2_min, x2_max, resolution))Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)Z = Z.reshape(xx1.shape)plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap)plt.xlim(xx1.min(), xx1.max())plt.ylim(xx2.min(), xx2.max())#繪制所有樣本X_test,y_test=X[test_idx,:],y[test_idx]for idx,cl in enumerate(np.unique(y)):plt.scatter(x=X[y==cl,0],y=X[y==cl,1],alpha=0.8,c=cmap(idx),marker=markers[idx],label=cl)#高亮預測樣本if test_idx:X_test,y_test =X[test_idx,:],y[test_idx]plt.scatter(X_test[:,0],X_test[:,1],c='',alpha=1.0,linewidths=1,marker='o',s=55,label='test set') #數據導入 iris=datasets.load_iris() X=iris.data[:,[2,3]] y=iris.target print (np.unique(y)) #訓練集和測試集劃分 X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=0) #標準化 sc=StandardScaler() sc.fit(X_train)#計算樣本的均值和標準差 X_train_std=sc.transform(X_train) X_test_std=sc.transform(X_test) #支持向量機，期決定作用的是支持向量點(決策邊界的點)##線性：參數C控制間隔大小，平衡偏差和方差，增加C值來增加偏差降低方差 #svm=SVC(kernel='linear',C=1.0,random_state=0) #高斯核：gamma是高斯球面的截止參數，減少其值，可增加受影響的訓練樣本的范圍(支持向量點)，導致決策邊界更加寬松，也起到控制過擬合作用 svm=SVC(kernel='rbf',C=1.0,random_state=0,gamma=0.02)#gamma=100觀察 #基于隨機梯度下降的分類模型 #ppn=SGDClassifier(loss='perceptron') #lr=SGDClassifier(loss='log') #svm=SGDClassifier(loss='hinge') svm.fit(X_train_std,y_train) #模型預測 y_pred=svm.predict(X_test_std) print ('Accuracy:%.2f' %accuracy_score(y_test,y_pred))#準確率 #繪制決策邊界 X_combined_std=np.vstack((X_train_std,X_test_std)) y_combined=np.hstack((y_train,y_test)) plot_decision_regions(X=X_combined_std, y=y_combined, classifier=svm, test_idx=range(105,150)) plt.xlabel('petal length[standardized]') plt.ylabel('petal width[standardized]') plt.legend(loc='upper left') plt.show()''' #生成非線性可分的數據集 np.random.seed(0) X_xor=np.random.randn(200,2) y_xor=np.logical_xor(X_xor[:,0]>0,X_xor[:,1]>0) y_xor=np.where(y_xor,1,-1)#異或操作后，100個樣本屬于類別1,100個樣本屬于類別-1 plt.scatter(X_xor[y_xor==1,0],X_xor[y_xor==1,1],c='b',marker='x',label='1') plt.scatter(X_xor[y_xor==-1,0],X_xor[y_xor==-1,1],c='r',marker='s',label='-1') plt.ylim(-3.0) plt.legend() plt.show() #高斯核的SVM模型 svm=SVC(kernel='rbf',random_state=0,gamma=0.10,C=10.0) svm.fit(X_xor,y_xor) plot_decision_regions(X_xor,y_xor,classifier=svm) plt.legend(loc='upper left') plt.show() '''

gamma=0.2結果：

gamma=100結果：

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的【Python-ML】SKlearn库支持向量机(SVM) 使用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。