ML之SVM：基于sklearn的svm算法实现对支持向量的数据进行标注

ML之SVM：基于sklearn的svm算法实现对支持向量的数据进行标注

目录

输出结果

实现代码

输出结果

实现代码

  

   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      import numpy as np
     
    
   

    

     

    
    

     

      import matplotlib.pyplot as pl  #python中的绘图模块
     
    
   

    

     

    
    

     

      from pylab import show
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      from sklearn import svm
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      np.random.seed(0)  #随机固定随机值
     
    
   

    

     

    
    

     

      X = np.r_[np.random.randn(20,2)-[2,2],np.random.randn(20,2)+[2,2]]  #随机生成左下方20个点，右上方20个点
     
    
   

    

     

    
    

     

      Y = [0]*20+[1]*20  #将前20个归为标记0，后20个归为标记1
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #建立模型
     
    
   

    

     

    
    

     

      clf = svm.SVC(kernel='linear')
     
    
   

    

     

    
    

     

      clf.fit(X,Y)  #传入参数
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #画出建立的超平面
     
    
   

    

     

    
    

     

      w = clf.coef_[0]  #取得w值，w中是二维的
     
    
   

    

     

    
    

     

      a = -w[0]/w[1]  #计算直线斜率
     
    
   

    

     

    
    

     

      xx = np.linspace(-5,5)   #随机产生连续x值
     
    
   

    

     

    
    

     

      yy = a*xx-(clf.intercept_[0])/w[1]   #根据随机x得到y值
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #计算与直线相平行的两条直线
     
    
   

    

     

    
    

     

      b = clf.support_vectors_[0]
     
    
   

    

     

    
    

     

      yy_down = a*xx+(b[1]-a*b[0])
     
    
   

    

     

    
    

     

      b = clf.support_vectors_[-1]
     
    
   

    

     

    
    

     

      yy_up = a*xx+(b[1]-a*b[0])
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      print('w:',w)
     
    
   

    

     

    
    

     

      print('a:',a)
     
    
   

    

     

    
    

     

      print('support_vectors:',clf.support_vectors_)
     
    
   

    

     

    
    

     

      print('clf.coef_',clf.coef_)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      #画出三条直线
     
    
   

    

     

    
    

     

      pl.plot(xx,yy,'k-')  
     
    
   

    

     

    
    

     

      pl.plot(xx,yy_down,'k--')
     
    
   

    

     

    
    

     

      pl.plot(xx,yy_up,'k--')
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      pl.scatter(clf.support_vectors_[:,0],clf.support_vectors_[:,1],s=100,c="g")  #,facecolors='none',zorder=10
     
    
   

    

     

    
    

     

      pl.scatter(X[:,0],X[:,1],c=Y, cmap=pl.cm.Paired)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      pl.axis('tight')
     
    
   

    

     

    
    

     

      pl.title('The bold circle is the support vector')
     
    
   

    

     

    
    

     

      pl.show()
     
    
  
 

文章来源: yunyaniu.blog.csdn.net，作者：一个处女座的程序猿，版权归原作者所有，如需转载，请联系作者。

原文链接：yunyaniu.blog.csdn.net/article/details/81939136