支持向量机SVM【机器学习算法一线性内核vs高斯内核】

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。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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.
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值