python建立svm模型（SVM在python中的原理如何理解？）

在python中除了编程化的知识点外 
  
  
  
  
  
  ，对于数学方法的算法也有所涉及 
  
  
  
  
  
  
 ，SVM就是一种很好地体现              。我们学习过数学中的坐标方法

 


 


 


 


 


 


，分别是点              、线
 
  
 
  
 
  
 
  
 
  
 
  
 
、面连接成图形 
 
 
 
 
 
 ，SVM也继承了这方面的画图方法
 
  
 
  
 
  
 
  
 
  
 
  
 
。下面我们学习SVM的有关概念 
   
   
   
   
   
   
 ，然后就其核心代码进行分析
 

 

 

 

 

 

，体会SVM的使用原理












。

1.概念理解

“支持向量机 
  
  
  
  
  
  ”(SVM)是一种监督机器学习算法
 

 

 

 

 

 

 ，可用于分类或回归挑战  
  
  
  
  
  
  。然而             ，它主要用于分类问题 
  
  
  
  
  
  
。在这个算法中 

 
 

 
 

 
 

 
 

 
 

 
 

，我们将每一个数据项作为一个点在n维空间中(其中n是你拥有的特征数)作为一个点












，每一个特征值都是一个特定坐标的值


 


 


 


 


 


 

。然后                    ，我们通过查找区分这两个类的超平面来进行分类 
 
 
 
 
 
 。

2.核心代码

模型本身并不难 
 
 
 
 
 
 
 
 
 
 
 
 
，就是要画出相应的图

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

预测又对X自己预测了一变  
   
   
   
   
   
   
。按照核心代码依旧延续sklearn的风格



















，十分简单

 

 

 

 

 

 
。

可视化可能优点麻烦,需要用到下面这个函数
 

 

 

 

 

 

 。这个函数只需输入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这个函数可以返回给定的x,y点到决策边界（也就是点到SVM所得到划分线的距离） 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)

函数大概思路就是首先生成一个网格             ，然后计算网格中各个点到决策边界的距离 
  
 
  
 
  
 
  
 
  
 
  
 
 ，最后绘制等高线(算出的距离相等的一条线)
 

 
 

 
 

 
 

 
 

 
 

 
 
。

以上就是SVM在python中的原理分析













，大家在理解了SVM的基础使用后 
  
  
  
  
  
  ，可以展开对核心代码的练习 
  
  
  
  
  
  
 ，找到使用SVM画图的关键实现方法












。