svm在环形数据上的表现案列

单手法拉利

于 2022-01-22 23:56:47 发布

阅读量1k

点赞数

文章标签：支持向量机 sklearn 机器学习

本文链接：https://blog.youkuaiyun.com/m0_57210162/article/details/122645918

版权

该博客通过sklearn的make_circles模块创建环形数据，探讨了支持向量机（SVM）在处理非线性数据时的决策边界划分。文章指出，SVM在环形数据上的表现可以通过增加数据维度来提升，尤其是通过核技巧，如RBF核函数。核函数允许在低维空间中表示高维数据，简化计算并增强SVM在非线性问题上的分类能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

使用sklearn中make_circles模块构建环形数据

环形数据属于非线性数据：非线性数据，如月亮型数据，环形数据等

from sklearn.datasets import make_circles
x,y = make_circles(100,factor=0.1,noise=.1)

import matplotlib.pyplot as plt
plt.scatter(x[:,0],x[:,1],c = y,s = 50,cmap = "rainbow")
plt.show()

使用svc对决策边界进行划分

from sklearn.svm import SVC
clf = SVC(kernel="linear").fit(x,y)
plt.scatter(x[:,0],x[:,1],c = y,s = 50,cmap = "rainbow")
plt_svc_decision_function(clf)

可以看出svm在环形数据的表现一般时候，可以增加数据维度，通过绘制高维决策边界进行划分，效果更好

import numpy as np
r = np.exp(-(x**2).sum(1)) #定义一个x计算出来的新维度
rlim  = np.linspace(min(r),max(r),100)

svm对于非线性数据，效果不好时，可以通过增加维度训练</

最低0.47元/天解锁文章