支持向量分类器的scikit-learn 实现(Support Vector Classifier)

最新推荐文章于 2025-06-10 16:53:08 发布

翻译最新推荐文章于 2025-06-10 16:53:08 发布 · 1.7k 阅读

文章标签：

#SVM #scikit-learn #ChrisAlbon #机器学习

笔记-算法专栏收录该内容

17 篇文章

订阅专栏

本文介绍了支持向量分类器(SVC)中的超参数C的作用及其如何影响模型的偏差和方差。通过调整C值来平衡分类间隔与错误分类之间的关系，并通过Python代码示例展示了如何使用scikit-learn实现SVC并预测数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这里写图片描述

支持向量分类器（SVC）在最大化分类间隔(margin)和最小化错误分类(misclassification)上需要一个平衡。

在SVC分类器中，用超参数C作为误差的惩罚项

当C比较小时，可以接受一些数据点的误分类,模型的偏差高而方差低(high bias low variance)

当C比较大时，对错误分类的点惩罚严重，分类器会尽力避免错误的分类，得到的模型偏差小但方差高(low bias high variance)

在scikit-learn中，C由参数 c 决定，默认取值 c = 1.0

C作为算法的超参数，在我们进行模型选择时，需要对其进行调整选择

0.准备工作

# 导入库
from sklearn.svm import LinearSVC
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
import numpy as np

1.加载数据集Iris Flower

# 加载特征和标签数据
iris = datasets.load_iris()
X = iris.data
y = iris.target

#Iris数据集共150组数据，每组数据包括四个特征值，y包含三种类别，用0,1,2 表示
X.shape

(150, 4)

X[1:5,:]

array([[4.9, 3. , 1.4, 0.2],
       [4.7, 3.2, 1.3, 0.2],
       [4.6, 3.1, 1.5, 0.2],
       [5. , 3.6, 1.4, 0.2]])

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])

2.特征标准化

# 特征取值标准化
scaler = StandardScaler()
X_std = scaler.fit_transform(X)
X_std[1:5,:]

array([[-1.14301691, -0.1249576 , -1.3412724 , -1.31297673],
       [-1.38535265,  0.33784833, -1.39813811, -1.31297673],
       [-1.50652052,  0.10644536, -1.2844067 , -1.31297673],
       [-1.02184904,  1.26346019, -1.3412724 , -1.31297673]])

3.训练支持向量分类器

# 创建支持向量分类器(SVC)
svc = LinearSVC(C=1.0)

# 训练模型
model = svc.fit(X_std, y)

4.创造新的观察数据

# 创建新的数据
new_observation_1 = [[-0.7, 1.1, -1.1 , -1.7]]
new_observation_2 = [[0.7, 1.1, 1.2 , -1.5]]

5.预测观察数据的分类结果

#预测数据集内的结果
svc.predict([X[140]])

array([2])

# 预测新数据的分类结果
svc.predict(new_observation_1)

array([0])

svc.predict(new_observation_2)

array([1])

5.说明

翻译自Chris Albon的博客，原文内容也很简单，翻译加了一点点解释说明。
原文地址