python，支持向量机（svm）散点图

导入所需要的库：

from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split

随机生成数据集，并且将数据集进行划分，下面是按1：4划分的。

X,y=make_moons(n_samples=500,noise=0.18,random_state=0)
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=0)

引用支持线性核函数向量机（svm）模型，并且对模型进行训练。

#使用线性核函数的SVM
line_svm = SVC(kernel="linear")
line_svm=line_svm.fit(X_train, y_train)

使用模型对测试集进行预测，并且输出分类准确率、混淆矩阵。

y_line=line_svm.predict(X_test)
print("线性核函数SVM的分类准确率：",accuracy_score(y_test,y_line))
print("混淆矩阵：")
print(confusion_matrix(y_test,y_line))

依次使用多项式核函数、高斯核函数的支持向量机，并且输出其准确率和混淆矩阵。

#使用多项式核函数的SVM
poly_svm = SVC(kernel="poly")
poly_svm=poly_svm.fit(X_train, y_train)
#预测
y_poly=poly_svm.predict(X_test)
print("多项式核函数SVM的分类准确率：",accuracy_score(y_test,y_poly))
print("混淆矩阵：")
print(confusion_matrix(y_test,y_poly))
# print("其他度量：")
# print(classification_report(y_test,y_poly))

#使用高斯核函数的SVM
rbf_svm = SVC(kernel="rbf")
rbf_svm=rbf_svm.fit(X_train, y_train)
#预测
y_rbf=rbf_svm.predict(X_test)
print("高斯核函数SVM的分类准确率：",accuracy_score(y_test,y_rbf))
print("混淆矩阵：")
print(confusion_matrix(y_test,y_rbf))

对上述三种方法进行可视化展示：

plt.figure(figsize=(10,10))
plt.subplot(221)
plt.scatter(X_test[:,0],X_test[:,1],c=y_test,s=20,cmap="rainbow")
plt.title("Original")

plt.subplot(222)
plt.scatter(X_test[:,0],X_test[:,1],c=y_line,s=20,cmap="rainbow")
plt.title("line_SVM")

plt.subplot(223)
plt.scatter(X_test[:,0],X_test[:,1],c=y_poly,s=20,cmap="rainbow")
plt.title("poly_SVM")

plt.subplot(224)
plt.scatter(X_test[:,0],X_test[:,1],c=y_rbf,s=20,cmap="rainbow")
plt.title("rbf_SVM")

plt.show()

运行结果：

全部代码如下：

from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split

X,y=make_moons(n_samples=500,noise=0.18,random_state=0)
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=0)

#使用线性核函数的SVM
line_svm = SVC(kernel="linear")
line_svm=line_svm.fit(X_train, y_train)
#预测
y_line=line_svm.predict(X_test)
print("线性核函数SVM的分类准确率：",accuracy_score(y_test,y_line))
print("混淆矩阵：")
print(confusion_matrix(y_test,y_line))
# print("其他度量：")
# print(classification_report(y_test,y_line))

#使用多项式核函数的SVM
poly_svm = SVC(kernel="poly")
poly_svm=poly_svm.fit(X_train, y_train)
#预测
y_poly=poly_svm.predict(X_test)
print("多项式核函数SVM的分类准确率：",accuracy_score(y_test,y_poly))
print("混淆矩阵：")
print(confusion_matrix(y_test,y_poly))
# print("其他度量：")
# print(classification_report(y_test,y_poly))

#使用高斯核函数的SVM
rbf_svm = SVC(kernel="rbf")
rbf_svm=rbf_svm.fit(X_train, y_train)
#预测
y_rbf=rbf_svm.predict(X_test)
print("高斯核函数SVM的分类准确率：",accuracy_score(y_test,y_rbf))
print("混淆矩阵：")
print(confusion_matrix(y_test,y_rbf))
# print("其他度量：")
# print(classification_report(y_test,y_rbf))

plt.figure(figsize=(10,10))
plt.subplot(221)
plt.scatter(X_test[:,0],X_test[:,1],c=y_test,s=20,cmap="rainbow")
plt.title("Original")

plt.subplot(222)
plt.scatter(X_test[:,0],X_test[:,1],c=y_line,s=20,cmap="rainbow")
plt.title("line_SVM")

plt.subplot(223)
plt.scatter(X_test[:,0],X_test[:,1],c=y_poly,s=20,cmap="rainbow")
plt.title("poly_SVM")

plt.subplot(224)
plt.scatter(X_test[:,0],X_test[:,1],c=y_rbf,s=20,cmap="rainbow")
plt.title("rbf_SVM")

plt.show()