SVM---sklearn实现多核

最新推荐文章于 2024-07-08 03:58:10 发布

笔尖微凉

最新推荐文章于 2024-07-08 03:58:10 发布

阅读量4.5k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签： SVM sklearn 核函数画图机器学习

本文链接：https://blog.youkuaiyun.com/weixin_42263508/article/details/90055237

机器学习专栏收录该内容

20 篇文章

订阅专栏

本文通过使用线性、高斯径向基(RBF)和多项式核的支持向量机(SVM)对随机生成的sin值样本进行拟合，展示了不同核函数下SVM的预测效果。通过图形对比，直观地说明了不同核函数的选择对模型复杂性和拟合能力的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt
%# % matplotlib inline(再jupyter中实现可加上)
#自定义样本点rand,并且生成sin值
x = np.random.rand(40,1)*5
X_train = np.sort(x,axis = 0)
print(“X_train:%s”%X_train)

y_train = np.sin(X_train)
print(“y_train:%s”%y_train)

y_train[::5]+= np.random.randn(8,1)
print(“y_train:%s”%y_train)
plt.scatter(X_train,y_train)
plt.ylim(-2.5,2.5)

svr_linear = SVR(kernel=‘linear’)
svr_rbf = SVR(kernel=‘rbf’)#默认设置
svr_poly = SVR(kernel=‘poly’)

#数据的预测
%# x_test= np.arange(0,5,0.01).reshape((-1,1))
x_test= np.arange(0,5,0.01)[:,np.newaxis]
%# print(“X_train.shape:%s”%X_train.shape[1])
%# print(“y_train.shape:%s”%y_train.shape[1])
print(“x_test.shape:%s”%x_test.shape[0])
linear_y_ = svr_linear.fit(X_train,y_train).predict(x_test)
rbf_y_ = svr_rbf.fit(X_train,y_train).predict(x_test)
poly_y = svr_poly.fit(X_train,y_train).predict(x_test)

#绘制图形，观察三种支持向量机内核不同
plt.figure(figsize=(8,6))
plt.scatter(X_train,y_train)
plt.plot(x_test,linear_y_, ‘r+’,label=“linear”)
plt.plot(x_test,rbf_y_,‘cyan’,label = ‘rbf’)
plt.plot(x_test,poly_y,‘purple’,label=‘poly’)

plt.legend()

plt.show()

注：线性的linear可以画出分割线，但是高维的就没法画出分割面，所以一般SVM预测都是可以画出预测的线，分割线无法画出。那如何才能知道哪个核函数最好，这就需要测试之后才能知道。哪个测试出来的准确率高就用哪个
在这里插入图片描述