支持向量机SVM【机器学习算法一线性内核vs高斯内核】

最新推荐文章于 2024-11-05 23:51:16 发布

原创

最新推荐文章于 2024-11-05 23:51:16 发布 · 815 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#支持向量机 #SVM #高斯核 #RBF

本文深入探讨支持向量机（SVM）的线性内核与高斯（RBF）内核在机器学习任务中的应用。通过实例分析，展示了线性内核在数据线性可分情况下的高效性，以及高斯内核在处理非线性问题时的强大能力。理解SVM内核的选择对于提升模型的预测性能至关重要。

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

#先创建50个数据点，让它们分为两类
X,y=make_blobs(n_samples=50,centers=2,random_state=6)
#创建一个线性内核的支持向量机模型
clf=svm.SVC(kernel='linear',C=1000)
clf.fit(X,y)
#画出数据点
plt.scatter(X[:,0],X[:,1],c=y,s=30,cmap=plt.cm.Paired)

#建立图像坐标
ax=plt.gca()
xlim=ax.get_xlim()#(3.973450006529823, 10.807292643804692)
ylim=ax.get_ylim()#(-11.082326233912445, -1.0805946182292332)

#生成两个等差数列
xx=np.linspace(xlim[0],xlim[1],30)#linspace用于间隔采样
yy=np.linspace(ylim[0],ylim[1],30)
'''xx：[ 3.97345001  4.20909975  4.4447495   4.68039924  4.91604899  5.15169874
  5.38734848  5.62299823  5.85864798  6.09429772  6.32994747  6.56559721
  6.80124696  7.03689671  7.27254645  7.5081962   7.74384594  7.97949569
  8.21514544  8.45079518  8.68644493  8.92209467  9.15774442  9.39339417
  9.62904391  9.86469366 10.10034341 10.33599315 10.5716429  10.80729264]'''

YY,XX=np.meshgrid(yy,xx)
xy=np.vstack([XX.ravel(),YY.rav