基于jupyter notebook的python编程 | 您所在的位置:网站首页 › 线型种类 › 基于jupyter notebook的python编程 |
基于jupyter notebook的python编程-----支持向量机学习二
一、SVM处理线性数据集(鸢尾花数据集)1、导入需要的python库2、选取鸢尾花的数据集的两个特征,用于分类构建SVM算法3、标准化、构建SVM分类(实例化SVC)及训练SVM4、定义绘制决策边界函数5、绘制决策边界6、实例化SVC,并传入参数C值
二、SVM处理非线性数据集(月亮数据集)1、导入需要的python库2、构建月亮的特征数据并可视化3、生成噪声点并可视化4、定义非线性SVM分类函数5、调用PolynomialSVC函数进行分类可视化6、核处理(核技巧来对数据进行处理)
三、核函数1、随机生成数据并可视化2、利用高斯核函数,进行数据的升维(一维升二维)
四、核函数处理月亮数据集1、导入需要的python库2、导入月亮数据集并可视化3、定义RBF核的SVM分类函数4、实例化SVC并传递
γ
\gamma
γ参数
前面我们通过学习了支持向量机(Support Vector Machine)算法的基础学习,并对比了其他两种算法:LDA和K-means算法的线性可视化,主要目的就是通过对比学习支持向量机,并没有深入了解支持向量机的算法原理,本次博客,林君学长主要带大家了解支持向量机的深度学习,数据来源同样为鸢尾花数据集和月亮数据集,一起来看吧!
一、SVM处理线性数据集(鸢尾花数据集)
1、导入需要的python库
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC
numpy:用于计算matplotlib.pyplot:用于作图sklearn:包括鸢尾花和月亮数据集StandardScaler:标准化,计算数据集的均值和方差sklearn.svm:构建SVM算法和决策边界
2、选取鸢尾花的数据集的两个特征,用于分类构建SVM算法
1)、选取鸢尾花的两个特征:长宽 iris = datasets.load_iris() X = iris.data y = iris.target X = X [y |
CopyRight 2018-2019 实验室设备网 版权所有 |