python 机器学习 支持向量机 线性可分
来源:互联网 发布:淘宝卖的飞机杯好用吗 编辑:程序博客网 时间:2024/06/07 05:44
#coding=utf-8
#一个简单的
# from sklearn import svm
#
# x = [[2,0],[1,1],[2,3]]
# y = [0,0,1]
# clf = svm.SVC(kernel='linear')
# clf.fit(x,y)
#
# print(clf)
# print(clf.support_vectors_)#支持向量机的是哪几个点
# print(clf.n_support_)#上面支持向量机与下面支持向量机各有几个点
# print(clf.predict([[2.,0.]]))#预测一下2,0在上面还是在下面
import numpy as np
import pylab as pl
from sklearn import svm
#每次抓取都是一样的一些点
np.random.seed(0)
#20个点 每个点都是二维的 均值是2 方差也是2 减法代表靠下方 同理分析右边
X = np.r_[np.random.randn(20,2) - [2,2],np.random.randn(20,2) + [2,2]]
Y = [0] *20 +[1]*20
#建立模型
clf = svm.SVC(kernel='linear')
clf.fit(X,Y)
#获取w
w = clf.coef_[0]
#计算斜率
a = -w[0]/w[1]
#产生-5 -4 -3 -2 -1.。。。
xx = np.linspace(-5, 5)
#根据截距,斜率算y值
yy = a*xx-(clf.intercept_[0])/w[1]
#画分界线
b = clf.support_vectors_[0]
yy_down = a*xx+(b[1] - a*b[0])
b = clf.support_vectors_[-1]#取最后一个值
yy_up = a*xx + (b[1] - a*b[0])
print("w:",w)
print("a:",a)
print("support_vectors_:",clf.support_vectors_)
print("clf.coef_:",clf.coef_)
#画中间的线 左下角,右上角的线条
pl.plot(xx,yy,'k-')
pl.plot(xx,yy_down,'k--')
pl.plot(xx,yy_up,'k--')
#把那些点标出来
pl.scatter(clf.support_vectors_[:,0],clf.support_vectors_[:,1],s=80,facecolors='none')
pl.scatter(X[:,0],X[:,1],c=Y)
pl.axis('tight')
pl.show()
#一个简单的
# from sklearn import svm
#
# x = [[2,0],[1,1],[2,3]]
# y = [0,0,1]
# clf = svm.SVC(kernel='linear')
# clf.fit(x,y)
#
# print(clf)
# print(clf.support_vectors_)#支持向量机的是哪几个点
# print(clf.n_support_)#上面支持向量机与下面支持向量机各有几个点
# print(clf.predict([[2.,0.]]))#预测一下2,0在上面还是在下面
import numpy as np
import pylab as pl
from sklearn import svm
#每次抓取都是一样的一些点
np.random.seed(0)
#20个点 每个点都是二维的 均值是2 方差也是2 减法代表靠下方 同理分析右边
X = np.r_[np.random.randn(20,2) - [2,2],np.random.randn(20,2) + [2,2]]
Y = [0] *20 +[1]*20
#建立模型
clf = svm.SVC(kernel='linear')
clf.fit(X,Y)
#获取w
w = clf.coef_[0]
#计算斜率
a = -w[0]/w[1]
#产生-5 -4 -3 -2 -1.。。。
xx = np.linspace(-5, 5)
#根据截距,斜率算y值
yy = a*xx-(clf.intercept_[0])/w[1]
#画分界线
b = clf.support_vectors_[0]
yy_down = a*xx+(b[1] - a*b[0])
b = clf.support_vectors_[-1]#取最后一个值
yy_up = a*xx + (b[1] - a*b[0])
print("w:",w)
print("a:",a)
print("support_vectors_:",clf.support_vectors_)
print("clf.coef_:",clf.coef_)
#画中间的线 左下角,右上角的线条
pl.plot(xx,yy,'k-')
pl.plot(xx,yy_down,'k--')
pl.plot(xx,yy_up,'k--')
#把那些点标出来
pl.scatter(clf.support_vectors_[:,0],clf.support_vectors_[:,1],s=80,facecolors='none')
pl.scatter(X[:,0],X[:,1],c=Y)
pl.axis('tight')
pl.show()
阅读全文
0 0
- python 机器学习 支持向量机 线性可分
- 深入浅出机器学习之支持向量机SVM2(线性可分部分)
- 【Python学习系列八】Python实现线性可分SVM(支持向量机)
- 机器学习第十课:支持向量机SVM(一)线性可分(硬间隔)SVM
- SVM 支持向量机(1)--- 完全线性可分
- SVM 支持向量机(2)---不完全线性可分
- 线性可分情形下支持向量机学习的SMO算法
- 线性可分情形下支持向量机学习的SMO算法
- SVM-支持向量机学习(1):线性可分SVM的基本型
- SVM-支持向量机学习(2):线性可分SVM的对偶型
- 机器学习(7)——支持向量机(一):从感知机到线性可分支持向量机
- 机器学习(7)——支持向量机(二):线性可分支持向量机到非线性支持向量机
- python机器学习之支持向量机
- 【机器学习基础】线性可分支持向量机
- 【机器学习基础】线性可分支持向量机
- OpenCv学习笔记--支持向量机SVM线性可分情况下的OpenCv实现的超详细注释(2)
- (线性可分/不可分)线性支持向量机matlab详细解读
- Python学习-机器学习实战-ch06 支持向量机
- VC++对话框(CDialog)添加背景图片
- Android Architecture Components应用架构组件源码详解(基于1.0以上)(第一篇生命周期监听分离LifecycleObserver和LifecycleOwner源码详解)
- <转>遗传算法简介
- php下intval()和(int)转换使用与区别
- [转]霍夫曼编码(Huffman Coding)
- python 机器学习 支持向量机 线性可分
- 数学分析 反函数存在性定理,连续性定理与求导定理
- sql 树形 子节点获取最顶级的节点
- 一只程序猿的养成日记 第一章 第四节 逻辑运算符的应用
- android-apt plugin is incompatible with the Android Gradle plugin. Please use 'annotationProcessor'
- 点击按钮连续滚动【适用于广告栏等】
- LeetCode--First Missing Positive (第一个丢失的正整数)Python
- CORS通信
- 漫反射着色