SVM深入理解&人脸特征提取（一）

最新推荐文章于 2025-05-09 16:17:11 发布

AI_yu3

最新推荐文章于 2025-05-09 16:17:11 发布

阅读量1k

点赞数

CC 4.0 BY-SA版权

文章标签：支持向量机机器学习算法

本文链接：https://blog.youkuaiyun.com/AI_yu3/article/details/121295723

本文深入探讨支持向量机（SVM），首先通过月亮数据集，阐述线性核的使用，接着介绍多项式核，并涉及高斯核的概念。最后，通过SVM在鸢尾花数据集上的代码实现，进一步巩固SVM的理解。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

月亮数据集

1. 使用线性核

导入包：

# 导入月亮数据集和svm方法
#这是线性svm
from sklearn import datasets #导入数据集
from sklearn.svm import LinearSVC #导入线性svm
from matplotlib.colors import ListedColormap
from sklearn.preprocessing import StandardScaler
data_x,data_y=datasets.make_moons(noise=0.15,random_state=777)#生成月亮数据集
# random_state是随机种子，nosie是方
plt.scatter(data_x[data_y==0,0],data_x[data_y==0,1])
plt.scatter(data_x[data_y==1,0],data_x[data_y==1,1])
data_x=data_x[data_y<2,:2]#只取data_y小于2的类别，并且只取前两个特征
plt.show()

在这里插入图片描述
进行标准化训练：

scaler=StandardScaler()# 标准化
scaler.fit(data_x)#计算训练数据的均值和方差
data_x=scaler.transform(data_x) #再用scaler中的均值和方差来转换X，使X标准化
liner_svc=LinearSVC(C=1e9,max_iter=100000)#线性svm分类器,iter是迭达次数，c值决定的是容错，c越大，容错越小
liner_svc.fit(data_x,data_y)
# 边界绘制函数
def plot_decision_boundary(model,axis):
    x0,x1=np.meshgrid(
        np.linspace(axis[0],axis[1],int((axis[1]-axis[0])*100)).reshape(-1,1),
        np.linspace(axis[2],axis[3],int((axis[3]-axis[2])*100)).reshape(-1,1))
    # meshgrid函数是从坐标向量中返回坐标矩阵
    x_new=np.c_[x0.ravel(),x1.ravel()]
    y_predict=model.predict(x_new)#获取预测值
    zz=y_predict.reshape(x0.shape)
    custom_cmap=ListedColormap