Python實現SVM支援向量機的範例程式碼

2023-11-01 10:00:50

什麼是支援向量機

支援向量機（SVM），SVM 的目的是在資料集中找到一條最佳分隔超平面，使得在這個超平面兩側的資料分別屬於不同的類別，且該超平面與最近的資料點之間的距離最大。

這些最近的資料點稱為支援向量，因此該模型被稱為支援向量機。

SVM 可以處理線性可分和線性不可分的情況，也可以通過使用核函數來處理非線性問題。

SVM 在解決分類問題時，通常是通過構造一個最大間隔分離超平面來實現的。

在迴歸問題中，SVM 通過構造一個迴歸超平面來實現預測。

SVM 的核心思想是利用數學方法將高維資料對映到低維空間，從而對不可分資料進行線性分類。

SVM 模型具有很好的泛化能力，可以解決高維資料的分類問題。

SVM 模型可以使用不同的核函數，如線性核、多項式核、高斯核等，這樣可以解決非線性問題。此外，SVM 還可以處理大量特徵資料，並具有高效的計算速度。

用 Python 實現 SVM

使用 scikit-learn 庫實現 SVM 分類

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 載入資料集
iris = datasets.load_iris()
X = iris["data"]
y = iris["target"]

# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 建立 SVM 模型
model = SVC(kernel='linear', C=1, random_state=0)

# 訓練模型
model.fit(X_train, y_train)

# 在測試集上進行預測
y_pred = model.predict(X_test)

# 計算預測精度
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

首先使用 load_iris() 函數載入 iris 資料集，然後使用 train_test_split() 函數將資料集劃分為訓練集和測試集。

接著，使用 SVC 函數建立一個 SVM 模型，並使用 fit() 函數在訓練集上進行訓練。

最後，使用 predict 函數在測試集上進行預測，並使用 accuracy_score() 函數計算預測精度。

多項式和高斯核函數的 SVM

使用高斯核函數的 SVM 可以如下實現：

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 載入資料集
iris = datasets.load_iris()
X = iris["data"]
y = iris["target"]

# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 建立 SVM 模型，使用高斯核函數
model = SVC(kernel='rbf', C=1, random_state=0)

# 訓練模型
model.fit(X_train, y_train)

# 在測試集上進行預測
y_pred = model.predict(X_test)

# 計算預測精度
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在上面的程式碼中，首先載入了 scikit-learn 中的 iris 資料集，並將其特徵資料儲存在 X 中，標籤儲存在 y 中。

使用 train_test_split() 函數劃分出了訓練集和測試集，並將其分別儲存在 X_train ， X_test ， y_train ， y_test 中。

建立了一個 SVM 模型，使用了高斯核函數（Radial basis function, RBF）。引數 C 用於控制對誤差的懲罰程度，數值越大，懲罰程度越大。引數 gamma 控制高斯核函數的影響範圍，數值越小，影響範圍越廣。

使用 fit() 方法訓練模型。訓練後，使用 predict() 方法在測試集上進行預測，並將預測結果儲存在 y_pred 中。

最終的結果將通過 accuracy_score() 函數計算預測精度，並將其列印出來。

還可以調整 SVM 模型的超引數以改變模型的表現，例如 C 和 gamma 。通過調整超引數可以使模型更加適合資料，並提高模型的預測精度。

到此這篇關於Python實現SVM支援向量機的範例程式碼的文章就介紹到這了,更多相關Python SVM支援向量機內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！

Python實現SVM支援向量機的範例程式碼

目錄

什麼是支援向量機

用 Python 實現 SVM

多項式和高斯核函數的 SVM

熱門文章