1，實現線性分類

import numpy as np

import matplotlib.pyplot as plt

from sklearn.datasets.samples_generator import make_blobs

from sklearn.svm import SVC

#隨機生成點，n_samples：樣本點個數；centers：樣本點分為幾類；random_state：每次隨機生成一致；cluster_std：每類樣本點間的離散程度，值越大離散程度越大。

X,y = make_blobs(n_samples=50, centers=2, random_state=0, cluster_std=0.60)

#畫出所有樣本點

plt.scatter(X[:,0],X[:,1],c=y,cmap="summer")

#使用線性分類SVC擬合

#svc函式還可以包括以下引數(具體例子見文章最後):

#1,C(C越大意味著分類越嚴格不能有錯誤；當C趨近於很小的時意味著可以有更大的錯誤容忍)

#2,kernel(kernel必須是[‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’]中的一個，預設為’rbf’)

#3,gamma(gamma越大模型越複雜，會導致過擬合，對線性核函式無影響)

model = SVC(kernel="linear")

model.fit(X,y)

plot_svc_decision_function(model)

這裡用到繪製邊界線及圈出支援向量的函式plot_svc_decision_function()

def plot_svc_decision_function(model, ax=None, plot_support=True):

#Plot the decision function for a 2D SVC

if ax is None:

ax = plt.gca()

#找出圖片x軸y軸的邊界

xlim = ax.get_xlim()

ylim = ax.get_ylim()

# create grid to evaluate model

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

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

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

#形成圖片上所有座標點(900,2)，900個二維點

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

#計算每點到邊界的距離(30,30)

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

#繪製等高線（距離邊界線為0的實線，以及距離邊界為1的過支援向量的虛線）

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

# 圈出支援向量

if plot_support:

#model.support_vectors_函式可打印出所有支援向量座標

ax.scatter(model.support_vectors_[:, 0],model.support_vectors_[:, 1],s=200,c="",edgecolors="k")

ax.set_xlim(xlim)

ax.set_ylim(ylim)

繪製效果圖如下：

2，實現非線性分類–引入核函式有時候線性核函式不能很好的劃分邊界比如：

from sklearn.datasets.samples_generator import make_circles

X,y = make_circles(100, factor=.1, noise=.1)

plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap="summer")

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

plot_svc_decision_function(clf, plot_support=False)

分類結果如下：

此時，需加入徑向基函式rbf（高斯）

X,y = make_circles(100, factor=.1, noise=.1)

plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap="summer")

clf = SVC(kernel="rbf", C=1E6)

clf.fit(X,y)

plot_svc_decision_function(clf)

分類結果如下：

希望您滿意，能幫助到您~~