SVC实现分类算法实现

最新推荐文章于 2025-05-31 11:00:00 发布

原创

最新推荐文章于 2025-05-31 11:00:00 发布 · 4.2k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#SVM #应用实例

该博客介绍了如何使用SVC（Support Vector Classification）实现分类算法，并展示了通过Python的Scikit-Learn库进行数据加载、训练、测试以及可视化的过程。博客中包含了一个名为MySVM的类，用于加载数据、划分训练测试集、绘制输入数据以及训练和评估SVM模型。通过不同核函数（线性、多项式和径向基函数）的比较，展示了SVM分类器的性能和边界。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import numpy as np
import matplotlib.pyplot as plt
from sklearn.svm import SVC
class MySVM:
    X=[];y=[]
    m=0;n=0
    fignum=1
    def __init__(self,params={
 
 'kernel': 'linear'}):
        self.moduleparams=params
        self.module=SVC(**params)
    @classmethod
    def load_data(cls,input_file):
        X = [];y = []
        with open(input_file, 'r') as f:
            for line in f.readlines():
                data = [float(x) for x in line.split(',')]
                X.append(data[:-1])
                y.append(data[-1])
        cls.X = np.array(X)
        cls.y=  np.array(y)
    @classmethod
    def plot_data(cls):
        class_0 = np.array([cls.X[i] for i in range(len(cls.X)) if