Python中使用支持向量機SVM實踐

更新時間：2017年12月27日 09:07:10 作者：ZHOUYYYY_OEI

這篇文章主要為大家詳細介紹了Python中使用支持向量機SVM實踐，具有一定的參考價值，感興趣的小伙伴們可以參考一下

在機器學習領域，支持向量機SVM(Support Vector Machine)是一個有監(jiān)督的學習模型，通常用來進行模式識別、分類(異常值檢測)以及回歸分析。

其具有以下特征：

(1)SVM可以表示為凸優(yōu)化問題，因此可以利用已知的有效算法發(fā)現目標函數的全局最小值。而其他分類方法都采用一種基于貪心學習的策略來搜索假設空間，這種方法一般只能獲得局部最優(yōu)解。

(2) SVM通過最大化決策邊界的邊緣來實現控制模型的能力。盡管如此，用戶必須提供其他參數，如使用核函數類型和引入松弛變量等。

(3)SVM一般只能用在二類問題，對于多類問題效果不好。

代碼及詳細解釋(基于sklearn包)：

from sklearn import svm
import numpy as np
import matplotlib.pyplot as plt

#準備訓練樣本
x=[[1,8],[3,20],[1,15],[3,35],[5,35],[4,40],[7,80],[6,49]]
y=[1,1,-1,-1,1,-1,-1,1]

##開始訓練
clf=svm.SVC() ##默認參數：kernel='rbf'
clf.fit(x,y)
##根據訓練出的模型繪制樣本點
for i in x:
  res=clf.predict(np.array(i).reshape(1, -1))
  if res > 0:
    plt.scatter(i[0],i[1],c='r',marker='*')
  else :
    plt.scatter(i[0],i[1],c='g',marker='*')

##生成隨機實驗數據(15行2列)
rdm_arr=np.random.randint(1, 15, size=(15,2))
##回執(zhí)實驗數據點
for i in rdm_arr:
  res=clf.predict(np.array(i).reshape(1, -1))
  if res > 0:
    plt.scatter(i[0],i[1],c='r',marker='.')
  else :
    plt.scatter(i[0],i[1],c='g',marker='.')
##顯示繪圖結果
plt.show()

從圖上可以看出，數據明顯被藍色分割線分成了兩類。但是紅色箭頭標示的點例外，所以這也起到了檢測異常值的作用。
上面的代碼中提到了kernel='rbf',這個參數是SVM的核心：核函數

重新整理后的代碼如下：

from sklearn import svm
import numpy as np
import matplotlib.pyplot as plt

##設置子圖數量
fig, axes = plt.subplots(nrows=2, ncols=2,figsize=(7,7))
ax0, ax1, ax2, ax3 = axes.flatten()

#準備訓練樣本
x=[[1,8],[3,20],[1,15],[3,35],[5,35],[4,40],[7,80],[6,49]]
y=[1,1,-1,-1,1,-1,-1,1]
'''
  說明1：
    核函數(這里簡單介紹了sklearn中svm的四個核函數，還有precomputed及自定義的)
    
  LinearSVC：主要用于線性可分的情形。參數少，速度快，對于一般數據，分類效果已經很理想
  RBF:主要用于線性不可分的情形。參數多，分類結果非常依賴于參數
  polynomial:多項式函數,degree 表示多項式的程度-----支持非線性分類
  Sigmoid：在生物學中常見的S型的函數，也稱為S型生長曲線

  說明2：根據設置的參數不同，得出的分類結果及顯示結果也會不同
  
'''
##設置子圖的標題
titles = ['LinearSVC (linear kernel)', 
     'SVC with polynomial (degree 3) kernel', 
     'SVC with RBF kernel',   ##這個是默認的
     'SVC with Sigmoid kernel']
##生成隨機試驗數據(15行2列)
rdm_arr=np.random.randint(1, 15, size=(15,2))

def drawPoint(ax,clf,tn):
  ##繪制樣本點
  for i in x:
    ax.set_title(titles[tn])
    res=clf.predict(np.array(i).reshape(1, -1))
    if res > 0:
      ax.scatter(i[0],i[1],c='r',marker='*')
    else :
      ax.scatter(i[0],i[1],c='g',marker='*')
   ##繪制實驗點
  for i in rdm_arr:
    res=clf.predict(np.array(i).reshape(1, -1))
    if res > 0:
      ax.scatter(i[0],i[1],c='r',marker='.')
    else :
      ax.scatter(i[0],i[1],c='g',marker='.')

if __name__=="__main__":
  ##選擇核函數
  for n in range(0,4):
    if n==0:
      clf = svm.SVC(kernel='linear').fit(x, y)
      drawPoint(ax0,clf,0)
    elif n==1:
      clf = svm.SVC(kernel='poly', degree=3).fit(x, y)
      drawPoint(ax1,clf,1)
    elif n==2:
      clf= svm.SVC(kernel='rbf').fit(x, y)
      drawPoint(ax2,clf,2)
    else :
      clf= svm.SVC(kernel='sigmoid').fit(x, y)
      drawPoint(ax3,clf,3)
  plt.show()

由于樣本數據的關系，四個核函數得出的結果一致。在實際操作中，應該選擇效果最好的核函數分析。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: