• 即将更新编译原理,机器学习,JavaScript,HTML/CSS等文章,谢谢关注~
  • 由于算法限制,搜索时注意简化关键字,谢谢支持~
  • 网站不兼容IE5.0及以下,请使用主流浏览器访问.
  • Python支持向量机(SVM)实例

    SVM(Support Vector Machine)指的是支持向量机,是常见的一种判别方法。在机器学习领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。

    Matlab中有林智仁编写的libsvm工具包可以很好地进行进行SVM训练。Python中我们有sklearn工具包来进行机器学习算法训练,Scikit-Learn库已经实现了所有基本机器学习的算法。

    以下内容参考自https://www.cnblogs.com/luyaoblog/p/6775342.html的博客,并将原文中Python2的代码更新为Python3的代码。

    下面以Iris兰花数据集为例子:

    由于从UCI数据库中下载的Iris原始数据集的样子是这样的,前四列为特征列,第五列为类别列,分别有三种类别Iris-setosa, Iris-versicolor, Iris-virginica。

    需要使用numpy对其进行分割操作。

    数据集下载地址:http://archive.ics.uci.edu/ml/machine-learning-databases/iris/

    下载iris.data即可。

    Python3代码:

    1. split(数据,分割位置,轴=1(水平分割) or 0(垂直分割))。

    2. x = x[:, :2]是为方便后期画图更直观,故只取了前两列特征值向量训练。

    3. sklearn.model_selection.train_test_split随机划分训练集与测试集。train_test_split(train_data,train_target,test_size=数字, random_state=0)

    参数解释:

    train_data:所要划分的样本特征集

    train_target:所要划分的样本结果

    test_size:样本占比,如果是整数的话就是样本的数量

    random_state:是随机数的种子。

    随机数种子:其实就是该组随机数的编号,在需要重复试验的时候,保证得到一组一样的随机数。比如你每次都填1,其他参数一样的情况下你得到的随机数组是一样的。但填0或不填,每次都会不一样。随机数的产生取决于种子,随机数和种子之间的关系遵从以下两个规则:种子不同,产生不同的随机数;种子相同,即使实例不同也产生相同的随机数。

    kernel=’linear’时,为线性核,C越大分类效果越好,但有可能会过拟合(defaul C=1)。
    kernel=’rbf’时(default),为高斯核,gamma值越小,分类界面越连续;gamma值越大,分类界面越“散”,分类效果越好,但有可能会过拟合。

    线性分类结果:

    rbf核函数分类结果:

    精确度:

    读者评分
    [评分人数: 0 平均分: 0]

    评论

    OmegaXYZ