下面是使用 scikit-learn 库中的 SVM 模型的示例代码:
from sklearn import svmfrom sklearn.datasets import make_classification# generate some example dataX, y = make_classification(n_features=4, random_state=0)# fit an SVM model to the dataclf = svm.SVC(kernel='linear')clf.fit(X, y)# predict new dataprint(clf.predict([[0, 0, 0, 0]]))
文章目录
什么是支持向量机用 Python 实现 SVM使用 scikit-learn 库实现 SVM 分类 多项式和高斯核函数的 SVM总结什么是支持向量机
支持向量机(SVM),SVM 的目的是在数据集中找到一条最佳分隔超平面,使得在这个超平面两侧的数据分别属于不同的类别,且该超平面与最近的数据点之间的距离最大。
这些最近的数据点称为支持向量,因此该模型被称为支持向量机。
SVM 可以处理线性可分和线性不可分的情况,也可以通过使用核函数来处理非线性问题。
SVM 在解决分类问题时,通常是通过构造一个最大间隔分离超平面来实现的。
在回归问题中,SVM 通过构造一个回归超平面来实现预测。
SVM 的核心思想是利用数学方法将高维数据映射到低维空间,从而对不可分数据进行线性分类。
SVM 模型具有很好的泛化能力,可以解决高维数据的分类问题。
SVM 模型可以使用不同的核函数,如线性核、多项式核、高斯核等,这样可以解决非线性问题。此外,SVM 还可以处理大量特征数据,并具有高效的计算速度。
用 Python 实现 SVM
使用 scikit-learn 库实现 SVM 分类
import numpy as npfrom sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.svm import SVCfrom sklearn.metrics import accuracy_score# 加载数据集iris = datasets.load_iris()X = iris["data"]y = iris["target"]# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)# 创建 SVM 模型model = SVC(kernel='linear', C=1, random_state=0)# 训练模型model.fit(X_train, y_train)# 在测试集上进行预测y_pred = model.predict(X_test)# 计算预测精度accuracy = accuracy_score(y_test, y_pred)print("Accuracy:", accuracy)
首先使用load_iris()
函数加载iris
数据集,然后使用train_test_split()
函数将数据集划分为训练集和测试集。接着,使用 SVC 函数创建一个 SVM 模型,并使用fit()
函数在训练集上进行训练。最后,使用 predict 函数在测试集上进行预测,并使用accuracy_score()
函数计算预测精度。
多项式和高斯核函数的 SVM
使用高斯核函数的 SVM 可以如下实现:
import numpy as npfrom sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.svm import SVCfrom sklearn.metrics import accuracy_score# 加载数据集iris = datasets.load_iris()X = iris["data"]y = iris["target"]# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)# 创建 SVM 模型,使用高斯核函数model = SVC(kernel='rbf', C=1, random_state=0)# 训练模型model.fit(X_train, y_train)# 在测试集上进行预测y_pred = model.predict(X_test)# 计算预测精度accuracy = accuracy_score(y_test, y_pred)print("Accuracy:", accuracy)
在上面的代码中,首先加载了scikit-learn
中的iris
数据集,并将其特征数据存储在X
中,标签存储在y
中。
使用train_test_split()
函数划分出了训练集和测试集,并将其分别存储在X_train
,X_test
,y_train
,y_test
中。
创建了一个 SVM 模型,使用了高斯核函数(Radial basis function, RBF)。参数 C 用于控制对误差的惩罚程度,数值越大,惩罚程度越大。参数 gamma 控制高斯核函数的影响范围,数值越小,影响范围越广。
使用fit()
方法训练模型。训练后,使用predict()
方法在测试集上进行预测,并将预测结果存储在 y_pred 中。
最终的结果将通过accuracy_score()
函数计算预测精度,并将其打印出来。
还可以调整 SVM 模型的超参数以改变模型的表现,例如C
和gamma
。通过调整超参数可以使模型更加适合数据,并提高模型的预测精度。
总结
📢📢📢📢📢📢
💗 你正在阅读【梦想橡皮擦】的博客
👍 阅读完毕,可以点点小手赞一下
🌻 发现错误,直接评论区中指正吧
📆 橡皮擦的第 863 篇原创博客
⭐️ Python 爬虫 120,点击订购 ⭐️⭐️ 爬虫 100 例教程,点击订购 ⭐️👇 全网 6000+人正在学习的 爬虫专栏 👇👇👇👇