【机器学习】【支持向量机】Python使用Sklearn实战支持向量机模型与决策边界可视化

不断向上的萝卜

于 2024-01-18 22:32:10 发布

阅读量612

点赞数 9

文章标签：机器学习支持向量机人工智能

本文链接：https://blog.youkuaiyun.com/weixin_62100318/article/details/135685789

版权

本文介绍了如何使用scikit-learn中的SVC类，以线性核函数为例，对鸢尾花数据集进行二分类，并展示了支持向量机的决策边界。同时讨论了C参数对过拟合的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

API文档：sklearn.svm.SVC-scikit-learn中文社区

import numpy as np
import os
# %matplotlib inline
import matplotlib
import matplotlib.pyplot as plt

plt.rcParams['axes.labelsize'] = 14
plt.rcParams['xtick.labelsize'] = 12
plt.rcParams['ytick.labelsize'] = 12
import warnings

warnings.filterwarnings('ignore')

'''导入库与数据集（鸢尾花数据集）'''
from sklearn.svm import SVC
from sklearn import datasets

iris = datasets.load_iris()
X = iris["data"][:, (2, 3)]  ##选择全部样本 仅选择两个特征是便于展示。
y = iris["target"]
###为了演示方便，将三分类问题转化为二分类问题便于决策边界的展示
setosa_or_versicolor = (y == 0) | (y == 1)  ##获得y为1与0值的索引值
X = X[setosa_or_versicolor]
y = y[setosa_or_versicolor]

svm_clf = SVC(kernel="linear", C=1e12)
##