机器学习 | 您所在的位置:网站首页 › 函数的w怎么算 › 机器学习 |
基于源代码:《机器学习——支持向量机SVM之python实现简单实例一》进行讲解 1、线性模型这里以二特征三类,一对多策略为案例 kernel = “linear”:线性核,参数有w,b 线性模型的决策边界是:w0iTx0i + w1iTx1i + bi = 0 注:w0iTx0i + w1iTx1i + bi = 1和w0iTx0i + w1iTx1i + bi = -1是穿过支持向量的决策面,边界 i的大小由类别的个数决定,i = n,说明决策函数有n个,因此查看参数的时候,w为一个nx2的数组,2代表的是特征的个数 classifier=svm.SVC(C=100,kernel='linear',gamma=100,decision_function_shape='ovr') # ovr:一对多策略 classifier.coef_#参数w #[[-6.28425012 5.14207649] [-8.45820407 6.92112224] [-0.99813811 -2.00212539]] classifier.intercept_#参数b # [-0.07076934 -0.08011805 0.12861107]图中实线为分界面,虚线为决策边界,穿过支持向量的边界 #绘制边界和分界面 def plot_boundary(w,b): plot_x1 = np.linspace(x[:, 0].min(), x[:, 0].max(), 200) #分界面w0x0 + w1x1 + b = 0 plot_x21 = -w[0][0] / w[0][1] * plot_x1 - b[0] / w[0][1] plot_x31 = -w[1][0] / w[1][1] * plot_x1 - b[1] / w[1][1] plot_x41 = -w[2][0] / w[2][1] * plot_x1 - b[2] / w[2][1] #上边界w0x0 + w1x1 + b = 1 plot_up_x21 = -w[0][0] / w[0][1] * plot_x1 - b[0] / w[0][1] + 1/w[0][1] plot_up_x31 = -w[1][0] / w[1][1] * plot_x1 - b[1] / w[1][1] + 1/w[1][1] plot_up_x41 = -w[2][0] / w[2][1] * plot_x1 - b[2] / w[2][1] + 1/w[2][1] #下边界w0x0 + w1x1 + b = -1 plot_down_x21 = -w[0][0] / w[0][1] * plot_x1 - b[0] / w[0][1] - 1/w[0][1] plot_down_x31 = -w[1][0] / w[1][1] * plot_x1 - b[1] / w[1][1] - 1/w[1][1] plot_down_x41 = -w[2][0] / w[2][1] * plot_x1 - b[2] / w[2][1] - 1/w[2][1] #分界面 plt.plot(plot_x1, plot_x21, c="black") plt.plot(plot_x1, plot_x31, "r") plt.plot(plot_x1, plot_x41, c="b") #上边界 plt.plot(plot_x1, plot_up_x21, "g--") plt.plot(plot_x1, plot_up_x31, "r--") plt.plot(plot_x1, plot_up_x41, "b--") #上边界 plt.plot(plot_x1, plot_down_x21, "g--") plt.plot(plot_x1, plot_down_x31, "r--") plt.plot(plot_x1, plot_down_x41, "b--") plot_boundary(w,b)其中: w=ceof_: [[-6.28425012 5.14207649] [-8.45820407 6.92112224] [-0.99813811 -2.00212539]] b=intercept_: [17.45202353 23.14272776 11.8943489 ]非线性模型使用的是高斯核,kernel = “rbf”,参数有:b ,w不需要计算 classifier=svm.SVC(C=100,kernel='rbf',gamma=100,decision_function_shape='ovr') # ovr:一对多策略 classifier.intercept_#参数b # [-0.07076934 -0.08011805 0.12861107]
|
CopyRight 2018-2019 实验室设备网 版权所有 |