Python 支援向量機分類器的實現
阿新 • • 發佈:2020-01-16
支援向量機(Support Vector Machine,SVM)是一類按監督學習(supervised learning)方式對資料進行二元分類的廣義線性分類器(generalized linear classifier),其決策邊界是對學習樣本求解的最大邊距超平面(maximum-margin hyperplane)
SVM使用鉸鏈損失函式(hinge loss)計算經驗風險(empirical risk)並在求解系統中加入了正則化項以優化結構風險(structural risk),是一個具有稀疏性和穩健性的分類器。SVM可以通過核方法(kernel method)進行非線性分類,是常見的核學習(kernel learning)方法之一。
SVM被提出於1964年,在二十世紀90年代後得到快速發展並衍生出一系列改進和擴充套件演算法,在人像識別、文字分類等模式識別(pattern recognition)問題中有得到應用。
import numpy as np from scipy import io as spio from matplotlib import pyplot as plt from sklearn import svm def SVM(): '''data1——線性分類''' 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) # 指定核函式為線性核函式 plot_decisionBoundary(X,y,model) # 畫決策邊界 '''data2——非線性分類''' 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為核函式的係數,值越大擬合的越好 plot_decisionBoundary(X,model,class_='notLinear') # 畫決策邊界 # 作圖 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,np.ravel(X[neg,'g^',markersize=8) plt.xlabel("X1") plt.ylabel("X2") plt.legend([p1,p2],["y==1","y==0"]) return plt # 畫決策邊界 def plot_decisionBoundary(X,class_='linear'): plt = plot_data(X,y) # 線性邊界 if class_ == 'linear': w = model.coef_ b = model.intercept_ xp = np.linspace(np.min(X[:,np.max(X[:,100) yp = -(w[0,0] * xp + b) / w[0,1] plt.plot(xp,yp,'b-',linewidth=2.0) plt.show() else: # 非線性邊界 x_1 = np.transpose(np.linspace(np.min(X[:,100).reshape(1,-1)) x_2 = np.transpose(np.linspace(np.min(X[:,-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[:,1))) vals[:,i] = model.predict(this_X) plt.contour(X1,X2,vals,[0,1],color='blue') plt.show() if __name__ == "__main__": SVM()
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支援我們。