如何用Python寫SVM演算法？

如何用Python寫SVM演算法？

SVM（Support Vector Machine）是一種常用的分類和迴歸演算法，基於統計學習理論和結構風險最小化原理。它具有較高的準確性和泛化能力，並且適用於各種資料類型。在本篇文章中，我們將詳細介紹如何使用Python編寫SVM演算法，並提供具體的程式碼範例。

1. 安裝Python和相關函式庫
   在開始編寫SVM演算法之前，首先需要確保已經安裝了Python和相關的機器學習函式庫。建議使用Anaconda作為Python的整合開發環境，它不僅自備了Python解釋器，還包括了許多常用的科學計算和機器學習庫。使用下列指令安裝scikit-learn函式庫：

pip install scikit-learn

2. 匯入所需的函式庫
   匯入所需的函式庫，包括scikit-learn、numpy和matplotlib。

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

3. 載入資料集
   為了示範SVM演算法的編寫，我們將使用著名的Iris資料集。 Iris資料集包含了150個鳶尾花樣本，每個樣本有4個特徵。我們將資料集分為兩個類別：鳶尾花的兩個品種Setosa和Versicolor。

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

4. 訓練模型
   使用SVM來訓練模型，在這裡我們使用線性核函數。

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

5. 畫出決策邊界
   為了更好地理解SVM的分類效果，我們可以畫出決策邊界。首先，我們建立一個網格來對整個特徵空間進行取樣。

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))

然後，我們將這個網格當作輸入特徵來預測，得到決策邊界。

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

最後，我們使用matplotlib函式庫畫出樣本點和決策邊界。

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. 完整程式碼範例

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()

總結：
透過以上步驟，我們成功地使用Python編寫了SVM演算法，並且透過Iris資料集進行了演示。當然，這只是SVM演算法的一個簡單應用，SVM還有很多擴展和改進的方法，例如使用不同的核函數、調整正規化參數C等。希望這篇文章對你學習和理解SVM演算法有所幫助。

以上是如何用Python寫SVM演算法？的詳細內容。更多資訊請關注PHP中文網其他相關文章！