机器学习：Python中如何使用支持向量机(SVM)算法

最新推荐文章于 2025-10-04 14:09:17 发布

原创

最新推荐文章于 2025-10-04 14:09:17 发布 · 3.9k 阅读

20 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #支持向量机 #机器学习 #python #聚类 #AP算法 #深度学习

本文介绍了机器学习中的支持向量机SVM，它是一个有监督学习模型，常用于分类和回归分析。SVM通过最大化决策边界的边缘进行优化，并可通过核函数处理非线性问题。文中给出了基于sklearn包的SVM代码示例，探讨了不同核函数的影响，并对比了线性分类函数LinearSVC。此外，还提供了全面的人工智能学习资料包。

(简单介绍一下支持向量机，详细介绍尤其是算法过程可以查阅其他资)

在机器学习领域，支持向量机SVM(Support Vector Machine)是一个有监督的学习模型，通常用来进行模式识别、分类(异常值检测)以及回归分析。

其具有以下特征：

(1)SVM可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。

(2) SVM通过最大化决策边界的边缘来实现控制模型的能力。尽管如此，用户必须提供其他参数，如使用核函数类型和引入松弛变量等。

(3)SVM一般只能用在二类问题，对于多类问题效果不好。

1. 下面是代码及详细解释(基于sklearn包)：

from sklearn import svm
import numpy as np
import matplotlib.pyplot as plt

#准备训练样本
x=[[1,8],[3,20],[1,15],[3,35],[5,35],[4,40],[7,80],[6,49]]
y=[1,1,-1,-1,1,-1,-1,1]

##开始训练
clf=svm.SVC()  ##默认参数：kernel='rbf'
clf.fit(x,y)

#print("预测...")
#res=clf.predict([[2,2]])  ##两个方括号表面传入的参数是矩阵而不是list

##根据训练出的模型绘制样本点
for i in x:
    res=clf.predict(np.array(i).reshape(1, -1))
    if res > 0:
        plt.scatter(i[0],i[1],c='r',marker='*')
    else :
        plt.scatter(i[0]

最低0.47元/天解锁文章