Python 支持向量机分类器的实现_Python

Python 支持向量机分类器的实现

2020-04-22 09:57小游园 Python

这篇文章主要介绍了Python 支持向量机分类器的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）

SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一。

SVM被提出于1964年，在二十世纪90年代后得到快速发展并衍生出一系列改进和扩展算法，在人像识别、文本分类等模式识别（pattern recognition）问题中有得到应用。

				?

									import numpy as np

									from scipy import io as spio

									from matplotlib import pyplot as plt

									from sklearn import svm

									def SVM():

									  '''data1——线性分类'''

									  data1 = spio.loadmat('data1.mat')

									  X = data1['X']

									  y = data1['y']

									  y = np.ravel(y)

									  plot_data(X, y)

									  model = svm.SVC(C=1.0, kernel='linear').fit(X, y) # 指定核函数为线性核函数

									  plot_decisionBoundary(X, y, model) # 画决策边界

									  '''data2——非线性分类'''

									  data2 = spio.loadmat('data2.mat')

									  X = data2['X']

									  y = data2['y']

									  y = np.ravel(y)

									  plt = plot_data(X, y)

									  plt.show()

									  model = svm.SVC(gamma=100).fit(X, y) # gamma为核函数的系数，值越大拟合的越好

									  plot_decisionBoundary(X, y, model, class_='notLinear') # 画决策边界

									# 作图

									def plot_data(X, y):

									  plt.figure(figsize=(10, 8))

									  pos = np.where(y == 1) # 找到y=1的位置

									  neg = np.where(y == 0) # 找到y=0的位置

									  p1, = plt.plot(np.ravel(X[pos, 0]), np.ravel(X[pos, 1]), 'ro', markersize=8)

									  p2, = plt.plot(np.ravel(X[neg, 0]), np.ravel(X[neg, 1]), 'g^', markersize=8)

									  plt.xlabel("X1")

									  plt.ylabel("X2")

									  plt.legend([p1, p2], ["y==1", "y==0"])

									  return plt

									# 画决策边界

									def plot_decisionBoundary(X, y, model, class_='linear'):

									  plt = plot_data(X, y)

									  # 线性边界    

									  if class_ == 'linear':

									    w = model.coef_

									    b = model.intercept_

									    xp = np.linspace(np.min(X[:, 0]), np.max(X[:, 0]), 100)

									    yp = -(w[0, 0] * xp + b) / w[0, 1]

									    plt.plot(xp, yp, 'b-', linewidth=2.0)

									    plt.show()

									  else: # 非线性边界

									    x_1 = np.transpose(np.linspace(np.min(X[:, 0]), np.max(X[:, 0]), 100).reshape(1, -1))

									    x_2 = np.transpose(np.linspace(np.min(X[:, 1]), np.max(X[:, 1]), 100).reshape(1, -1))

									    X1, X2 = np.meshgrid(x_1, x_2)

									    vals = np.zeros(X1.shape)

									    for i in range(X1.shape[1]):

									      this_X = np.hstack((X1[:, i].reshape(-1, 1), X2[:, i].reshape(-1, 1)))

									      vals[:, i] = model.predict(this_X)

									    plt.contour(X1, X2, vals, [0, 1], color='blue')

									    plt.show()

									if __name__ == "__main__":

									  SVM()