SVM在python中的原理如何理解?

在python中除了編程化的知識(shí)點(diǎn)外，對(duì)于數(shù)學(xué)方法的算法也有所涉及，SVM就是一種很好地體現(xiàn)。我們學(xué)習(xí)過數(shù)學(xué)中的坐標(biāo)方法，分別是點(diǎn)、線、面連接成圖形，SVM也繼承了這方面的畫圖方法。下面我們學(xué)習(xí)SVM的有關(guān)概念，然后就其核心代碼進(jìn)行分析，體會(huì)SVM的使用原理。

1.概念理解

“支持向量機(jī)”(SVM)是一種監(jiān)督機(jī)器學(xué)習(xí)算法，可用于分類或回歸挑戰(zhàn)。然而，它主要用于分類問題。在這個(gè)算法中，我們將每一個(gè)數(shù)據(jù)項(xiàng)作為一個(gè)點(diǎn)在n維空間中(其中n是你擁有的特征數(shù))作為一個(gè)點(diǎn)，每一個(gè)特征值都是一個(gè)特定坐標(biāo)的值。然后，我們通過查找區(qū)分這兩個(gè)類的超平面來進(jìn)行分類。

2.核心代碼

模型本身并不難，就是要畫出相應(yīng)的圖

clf=SVC(kernel="linear").fit(X,y)

print(clf.predict(X))

預(yù)測又對(duì)X自己預(yù)測了一變。按照核心代碼依舊延續(xù)sklearn的風(fēng)格，十分簡單。

可視化可能優(yōu)點(diǎn)麻煩,需要用到下面這個(gè)函數(shù)。這個(gè)函數(shù)只需輸入clf即可。

defplot_svc_decision_function(model,ax=None):

ifaxisNone:

ax=plt.gca()

xlim=ax.get_xlim()

ylim=ax.get_ylim()

x=np.linspace(xlim[0],xlim[1],30)

y=np.linspace(ylim[0],ylim[1],30)

Y,X=np.meshgrid(y,x)

xy=np.vstack([X.ravel(),Y.ravel()]).T

#decision_function這個(gè)函數(shù)可以返回給定的x,y點(diǎn)到?jīng)Q策邊界(也就是點(diǎn)到SVM所得到劃分線的距離)

P=model.decision_function(xy).reshape(X.shape)

ax.contour(X,Y,P,colors="k",levels=[-1,0,1],alpha=0.5,linestyles=["--","-","--"])

ax.set_xlim(xlim)

ax.set_ylim(ylim)

函數(shù)大概思路就是首先生成一個(gè)網(wǎng)格，然后計(jì)算網(wǎng)格中各個(gè)點(diǎn)到?jīng)Q策邊界的距離，最后繪制等高線(算出的距離相等的一條線)。

以上就是SVM在python中的原理分析，大家在理解了SVM的基礎(chǔ)使用后，可以展開對(duì)核心代碼的練習(xí)，找到使用SVM畫圖的關(guān)鍵實(shí)現(xiàn)方法。更多Python學(xué)習(xí)教程請(qǐng)關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。