SVM在python中的原理如何理解?

在python中除了編程化的知識點外，對于數學方法的算法也有所涉及，SVM就是一種很好地體現。我們學習過數學中的坐標方法，分別是點、線、面連接成圖形，SVM也繼承了這方面的畫圖方法。下面我們學習SVM的有關概念，然后就其核心代碼進行分析，體會SVM的使用原理。

1.概念理解

“支持向量機”(SVM)是一種監督機器學習算法，可用于分類或回歸挑戰。然而，它主要用于分類問題。在這個算法中，我們將每一個數據項作為一個點在n維空間中(其中n是你擁有的特征數)作為一個點，每一個特征值都是一個特定坐標的值。然后，我們通過查找區分這兩個類的超平面來進行分類。

2.核心代碼

模型本身并不難，就是要畫出相應的圖

clf=SVC(kernel="linear").fit(X,y)

print(clf.predict(X))

預測又對X自己預測了一變。按照核心代碼依舊延續sklearn的風格，十分簡單。

可視化可能優點麻煩,需要用到下面這個函數。這個函數只需輸入clf即可。

defplot_svc_decision_function(model,ax=None):

ifaxisNone:

ax=plt.gca()

xlim=ax.get_xlim()

ylim=ax.get_ylim()

x=np.linspace(xlim[0],xlim[1],30)

y=np.linspace(ylim[0],ylim[1],30)

Y,X=np.meshgrid(y,x)

xy=np.vstack([X.ravel(),Y.ravel()]).T

#decision_function這個函數可以返回給定的x,y點到決策邊界(也就是點到SVM所得到劃分線的距離)

P=model.decision_function(xy).reshape(X.shape)

ax.contour(X,Y,P,colors="k",levels=[-1,0,1],alpha=0.5,linestyles=["--","-","--"])

ax.set_xlim(xlim)

ax.set_ylim(ylim)

函數大概思路就是首先生成一個網格，然后計算網格中各個點到決策邊界的距離，最后繪制等高線(算出的距離相等的一條線)。

以上就是SVM在python中的原理分析，大家在理解了SVM的基礎使用后，可以展開對核心代碼的練習，找到使用SVM畫圖的關鍵實現方法。更多Python學習教程請關注IT培訓機構:千鋒教育。