Python中的SVM实例
更新时间：2023-10-23什么是SVM分类器?
SVM分类器是一种机器学习算法，用于分类和回归分析。它可以处理线性和非线性数据，并在数据集进行分类或者回归时进行训练。SVM也被称为最大间隔分类器，因为它的目标是找到可以最大化分类边界和数据点之间距离的超平面。以下是一段简单的Python代码示例，用于展示如何使用SVM分类器对数据进行分类。
from sklearn import datasets from sklearn import svm # 导入数据集 iris = datasets.load_iris() # 获取输入和输出数据 x = iris.data y = iris.target # 创建分类器 clf = svm.SVC() # 训练分类器 clf.fit(x, y) # 使用分类器进行预测 print(clf.predict([[5.9, 3.0, 5.1, 1.8]]))
如何使用网格搜索调整SVM中的参数?
网格搜索是一种用于确定最佳参数组合的机器学习技术。它在给定的参数列表中搜索各种参数组合，并返回最优参数组合。在SVM中，我们可以使用网格搜索来确定最佳的C和gamma参数值，以获得更好的训练结果。以下是一段简单的Python代码示例，用于展示如何使用网格搜索来找到最佳参数组合。
from sklearn import datasets
from sklearn.model_selection import GridSearchCV
from sklearn import svm
# 导入数据集
iris = datasets.load_iris()
# 获取输入和输出数据
x = iris.data
y = iris.target
# 创建分类器
clf = svm.SVC()
# 设置参数列表
parameters = {'kernel': ('linear', 'rbf'), 'C': [1, 10], 'gamma': [0.1, 1]}
# 使用网格搜索进行参数寻优
svc = GridSearchCV(clf, parameters)
# 训练分类器
svc.fit(x, y)
# 输出最佳参数组合和分数
print(svc.best_params_)
print(svc.best_score_)
如何在SVM中使用多项式和径向基函数?
在SVM中，多项式和径向基函数是用于处理非线性数据的常见核函数。多项式核将数据映射到高维空间中，并通过多项式函数来处理数据。径向基函数是基于距离的，它以中心点为基础，将数据映射到高维空间中。以下是一段简单的Python代码示例，用于展示如何在SVM中使用多项式和径向基函数来处理非线性数据。
使用多项式核处理数据
from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn import svm # 导入数据集 iris = datasets.load_iris() # 获取输入和输出数据 x = iris.data y = iris.target # 创建分类器，并使用多项式核 clf = svm.SVC(kernel='poly') # 拆分数据集 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=0) # 训练分类器 clf.fit(x_train, y_train) # 使用训练好的分类器进行测试 print(clf.score(x_test, y_test))
使用径向基函数核处理数据
from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn import svm # 导入数据集 iris = datasets.load_iris() # 获取输入和输出数据 x = iris.data y = iris.target # 创建分类器，并使用径向基函数核 clf = svm.SVC(kernel='rbf') # 拆分数据集 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=0) # 训练分类器 clf.fit(x_train, y_train) # 使用训练好的分类器进行测试 print(clf.score(x_test, y_test))
