在python中除了編程化的知識點(diǎn)外，對于數(shù)學(xué)方法的算法也有所涉及，SVM就是一種很好地體現(xiàn)。我們學(xué)習(xí)過數(shù)學(xué)中的坐標(biāo)方法，分別是點(diǎn)、線、面連接成圖形，SVM也繼承了這方面的畫圖方法。下面我們學(xué)習(xí)SVM的有關(guān)概念，然后就其核心代碼進(jìn)行分析，體會SVM的使用原理。

創(chuàng)新互聯(lián)是一家專注于成都網(wǎng)站設(shè)計(jì)、網(wǎng)站制作與策劃設(shè)計(jì),良慶網(wǎng)站建設(shè)哪家好?創(chuàng)新互聯(lián)做網(wǎng)站,專注于網(wǎng)站建設(shè)十余年,網(wǎng)設(shè)計(jì)領(lǐng)域的專業(yè)建站公司;建站業(yè)務(wù)涵蓋:良慶等地區(qū)。良慶做網(wǎng)站價格咨詢:028-86922220

1.概念理解

“支持向量機(jī)”(SVM)是一種監(jiān)督機(jī)器學(xué)習(xí)算法，可用于分類或回歸挑戰(zhàn)。然而，它主要用于分類問題。在這個算法中，我們將每一個數(shù)據(jù)項(xiàng)作為一個點(diǎn)在n維空間中(其中n是你擁有的特征數(shù))作為一個點(diǎn)，每一個特征值都是一個特定坐標(biāo)的值。然后，我們通過查找區(qū)分這兩個類的超平面來進(jìn)行分類。

2.核心代碼

模型本身并不難，就是要畫出相應(yīng)的圖

clf = SVC(kernel = "linear").fit(X,y)
print(clf.predict(X))

預(yù)測又對X自己預(yù)測了一變。按照核心代碼依舊延續(xù)sklearn的風(fēng)格，十分簡單。

可視化可能優(yōu)點(diǎn)麻煩,需要用到下面這個函數(shù)。這個函數(shù)只需輸入clf即可。

def plot_svc_decision_function(model,ax=None):
    if ax is None:
        ax = plt.gca()
    xlim = ax.get_xlim()
    ylim = ax.get_ylim()
    x = np.linspace(xlim[0],xlim[1],30)
    y = np.linspace(ylim[0],ylim[1],30)
    Y,X = np.meshgrid(y,x)
    xy = np.vstack([X.ravel(), Y.ravel()]).T
    #decision_function這個函數(shù)可以返回給定的x,y點(diǎn)到?jīng)Q策邊界（也就是點(diǎn)到SVM所得到劃分線的距離）
    P = model.decision_function(xy).reshape(X.shape)
    ax.contour(X, Y, P,colors="k",levels=[-1,0,1],alpha=0.5,linestyles=["--","-","--"])
    ax.set_xlim(xlim)
    ax.set_ylim(ylim)

函數(shù)大概思路就是首先生成一個網(wǎng)格，然后計(jì)算網(wǎng)格中各個點(diǎn)到?jīng)Q策邊界的距離，最后繪制等高線(算出的距離相等的一條線)。

以上就是SVM在python中的原理分析，大家在理解了SVM的基礎(chǔ)使用后，可以展開對核心代碼的練習(xí)，找到使用SVM畫圖的關(guān)鍵實(shí)現(xiàn)方法。

（推薦操作系統(tǒng)：windows7系統(tǒng)、Python 3.9.1，DELL G3電腦。）

文章標(biāo)題：創(chuàng)新互聯(lián)Python教程：SVM在python中的原理如何理解？
當(dāng)前地址：http://uogjgqi.cn/article/djgdcds.html