机器学习案例实战：sklearn求解支持向量机

最新推荐文章于 2025-06-09 10:24:51 发布

Something Just Like

最新推荐文章于 2025-06-09 10:24:51 发布

阅读量876

点赞数 1

CC 4.0 BY-SA版权

分类专栏：支持向量机文章标签：支持向量机机器学习

本文链接：https://blog.youkuaiyun.com/qq_14815661/article/details/96100896

本文深入探讨了支持向量机的基本原理，通过实例展示了如何使用scikit-learn训练SVM，并解释了支持向量在模型构建中的关键作用。进一步讨论了在复杂数据集上引入核函数，如径向基函数(RBF)，以及参数C的调整对SVM性能的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原创文章,如需转载请保留出处
本博客为唐宇迪老师python数据分析与机器学习实战课程学习笔记

一.支持向量机

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

import seaborn as sns; sns.set()

二.支持向量机基本原理
在这里插入图片描述

#随机来点数据
from sklearn.datasets.samples_generator import make_blobs
X, y = make_blobs(n_samples=50,centers=2,
                 random_state=0,cluster_std=0.60)
plt.scatter(X[:, 0],X[:, 1],c=y,s=50,cmap='autumn')

在这里插入图片描述
三. 解决方式

xfit = np.linspace(-1,3,5)
plt.scatter(X[:, 0],X[:, 1],c=y,s=50,cmap='autumn')
plt.plot([0.6], [2.1],'x', color='red',markeredgewidth=2,markersize=10)

for m,b in [(1, 0.65),(0.5, 1.6),(-0.2,2.9)]:
    plt.plot(xfit, m * xfit + b, '-k')
plt.xlim(-1, 3.5)

(-1, 3.5)
在这里插入图片描述

#最小化雷区
xfit = np.linspace(-1, 3.5)
plt.scatter(X[:, 0],X[:, 1],c=y,s=50,cmap='autumn')

for m,b,d in [(1, 0.65, 0.33),(0.5, 1.6, 0.55),(-0.2, 2.9, 0.2)]:
    yfit = m * xfit + b
    plt.plot(xfit, yfit, '-k')
    plt.fill_between(xfit, yfit - d, yfit + d, edgecolor='none',
                    color='#AAAAAA',alpha=0.4)

plt.xlim(-1,3.5)