（二）SVM实现-惩罚系数为C=1和C=0.2的情形可视化SVM超平面及间隔边界（输出对偶模型的最优解alpha)（输出支持向量)[机器学习代码]

最新推荐文章于 2024-06-15 10:04:19 发布

Windalove

最新推荐文章于 2024-06-15 10:04:19 发布

阅读量1.6k

点赞数 6

分类专栏：机器学习笔记文章标签：机器学习

本文链接：https://blog.youkuaiyun.com/weixin_44972997/article/details/118583758

版权

这篇博客介绍了如何使用sklearn库来构建SVM分类模型，特别是在C=1和C=0.2时，详细展示了SVM超平面和间隔边界的可视化过程。同时，博主分享了如何输出对偶模型的最优解alpha和支持向量。此外，还讨论了针对不同数据集选择合适核函数以及核参数和C值对分类结果的影响。尽管缺乏理论部分，但鼓励读者参与讨论和学习。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

    机器学习课程总结，本系列文章以代码和注释为主。
    理论部分搬至博客上比较耗费时间，所以缺少理论部分。但是也欢迎大家一起探讨学习。
    如果需要理论部分的讲义，可私信（个人觉的讲的很好很全）。

题目需求

一、针对样本：

3，3，+1

4，3，+1

1，1，-1

使用sklearn包求解SVM分类模型，其中，数据中第三列是标签，1-2列是特征。

针对惩罚系数为C=1和C=0.2的情形，分别完成：可视化样本；可视化SVM超平面及间隔边界；输出对偶模型的最优解alpha；输出支持向量；

二、针对附件中的数据，选择合适的核，训练SVM模型，并可视化样本空间的分类结果（即样本空间用两种颜色表示，同一类的样本点颜色一样，不同类的样本点颜色不同），并给出以下样本的分类结果：
(0,0) (1,1) (2,2) (3,3)

三、进一步在问题二中考虑核的参数以及C的影响。

代码

# -*- coding: utf-8 -*-#
# Author: xhc
# Date:    2021-03-21 8:11
# project:  0321
# Name:    SVM.PY
from sklearn import svm
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
data = pd.read_csv("./data/excer_svm.csv",header=0) # 读取数据
feature = data.iloc[:, :2] # 提取特征
labels = data.iloc[:, -1] # 提取标签
train_feature =