Python で SVM アルゴリズムを記述するにはどうすればよいですか?

SVM アルゴリズムを Python で記述するにはどうすればよいですか?

SVM (サポート ベクター マシン) は、統計学習理論と構造的リスク最小化の原理に基づいた、一般的に使用される分類および回帰アルゴリズムです。高い精度と汎化能力を持ち、さまざまなデータタイプに適しています。この記事では、Python を使用した SVM アルゴリズムの記述方法と具体的なコード例を詳しく紹介します。

1. Python と関連ライブラリのインストール
   SVM アルゴリズムの作成を開始する前に、まず Python と関連する機械学習ライブラリがインストールされていることを確認する必要があります。 Python の統合開発環境として Anaconda を使用することをお勧めします。Anaconda には、Python インタープリターが付属しているだけでなく、一般的に使用される科学計算および機械学習ライブラリも多数含まれています。次のコマンドを使用して、scikit-learn ライブラリをインストールします。

pip install scikit-learn

2. 必要なライブラリをインポートする
   scikit-learn、numpy、matplotlib などの必要なライブラリをインポートします。

import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets

3. データ セットの読み込み
   SVM アルゴリズムの作成をデモンストレーションするために、有名な Iris データ セットを使用します。アヤメのデータ セットには 150 個のアヤメの花のサンプルが含まれており、各サンプルには 4 つの特徴があります。データセットを 2 つのカテゴリ、セトサとバーシカラー、つまり 2 種類のアイリスの花に分割しました。

iris = datasets.load_iris()
X = iris.data[:, :2]  # 我们只使用前两个特征
y = iris.target

4. トレーニング モデル
   SVM を使用してモデルをトレーニングします。ここでは線形カーネル関数を使用します。

C = 1.0  # SVM正则化参数
svc = svm.SVC(kernel='linear', C=C).fit(X, y)

5. 決定境界を描く
   SVM の分類効果をより深く理解するために、決定境界を描くことができます。まず、特徴空間全体をサンプリングするためのグリッドを作成します。

x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
h = (x_max / x_min)/100
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

次に、このグリッドを入力特徴として使用して、決定境界を予測して取得します。

Z = svc.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

最後に、matplotlib ライブラリを使用してサンプル ポイントと決定境界を描画します。

plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.show()

6. 完全なコード例

import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets

# 加载数据集
iris = datasets.load_iris()
X = iris.data[:, :2]
y = iris.target

# 训练模型
C = 1.0  # SVM正则化参数
svc = svm.SVC(kernel='linear', C=C).fit(X, y)

# 画出决策边界
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
h = (x_max / x_min)/100
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = svc.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.show()

概要:
上記の手順を通じて、Python を使用して SVM アルゴリズムを正常に記述し、Iris データ セットを通じてそれを実証しました。もちろん、これは SVM アルゴリズムの単純な適用にすぎません。さまざまなカーネル関数の使用、正則化パラメーター C の調整など、SVM を拡張および改善する方法は数多くあります。この記事が SVM アルゴリズムの学習と理解に役立つことを願っています。

以上がPython で SVM アルゴリズムを記述するにはどうすればよいですか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。