svm python实现

最新推荐文章于 2025-05-28 15:29:01 发布

原创

最新推荐文章于 2025-05-28 15:29:01 发布 · 3.9k 阅读

28 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #svm

本文介绍了如何使用Python实现支持向量机（SVM），并重点展示了如何利用高斯核函数处理线性不可分数据。通过生成线性不可分的数据点，然后用SVM进行拟合，并绘制了分类边界。最后，文中给出了高斯核函数在SVM中的应用实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import matplotlib.pyplot as plt
import numpy as np
from cvxopt import matrix, solvers


# 生成线性不可分数据点
def gen_data():
    mean1 = [-1, 2]
    mean2 = [1, -1]
    mean3 = [4, -4]
    mean4 = [-4, 4]
    cov = [[1.1, 0.8], [0.8, 1.1]]
    x1 = np.random.multivariate_normal(mean1, cov, 50)
    x1 = np.vstack((x1, np.random.multivariate_normal(mean3, cov, 50)))
    y1 = np.ones(len(x1))
    x2 = np.random.multivariate_normal(mean2, cov, 50)
    x2 = np.vstack((x2, np.random.multivariate_normal(mean4, cov, 50)))
    y2 = np.ones(len(x2)) * -1
    return x1, y1, x2, y2


# 画出那个胖胖的边界
def plot_contour(x, y, clf):
    plt.plot(x[:, 0], x[:, 1], "ro")
    plt.plot(y[:, 0],y[:, 1], "bo")
    plt.scatter(clf.sv[:, 0], clf.sv[:, 1], s=100, c='g')
    x1, x2 = np.meshgrid(np.linspace(-8, 8, 50), np.linspace(-8, 8, 50))
    x = np.array([[x1, x2] for x1, x2, in zip(np.ravel(x1), np.ravel(x2))])
    z = clf.project(x).reshape(x1.shape)
    plt.contour(x1, x2, z, [0.0]