Python實作支援向量機（SVM）分類：演算法原理詳解

在機器學習中，支援向量機（SVM）常被用於資料分類和迴歸分析，是由分離超平面的判別演算法模型。換句話說，給定標記的訓練數據，該演算法輸出一個對新範例進行分類的最佳超平面。

支援向量機（SVM）演算法模型是將範例表示為空間中的點，經過映射後，不同類別的範例會盡可能劃分。除了執行線性分類外，支援向量機（SVM）還可以有效地執行非線性分類，將其輸入隱式映射到高維特徵空間。

支援向量機做什麼？

給定一組訓練範例，並根據2個類別給每個訓練範例各自標記上類別，再透過支援向量機（SVM）訓練演算法建立一個模型，將新範例分配給這2個類別，使其成為非機率二元線性分類器。

Python實作支援向量機（SVM）分類

先決條件：Numpy、Pandas、matplot-lib、scikit-learn

首先，建立資料集

from sklearn.datasets.samples_generator import make_blobs
X,Y=make_blobs(n_samples=500,centers=2,
random_state=0,cluster_std=0.40)
import matplotlib.pyplot as plt
plt.scatter(X[:,0],X[:,1],c=Y,s=50,cmap='spring');
plt.show()

分類

xfit=np.linspace(-1,3.5)
plt.scatter(X[:,0],X[:,1],c=Y,s=50,cmap='spring')
for m,b,d in[(1,0.65,0.33),(0.5,1.6,0.55),(-0.2,2.9,0.2)]:
yfit=m*xfit+b
plt.plot(xfit,yfit,'-k')
plt.fill_between(xfit,yfit-d,yfit+d,edgecolor='none',
color='#AAAAAA',alpha=0.4)
plt.xlim(-1,3.5);
plt.show()

以上是Python實作支援向量機（SVM）分類：演算法原理詳解的詳細內容。更多資訊請關注PHP中文網其他相關文章！