24/8/14算法笔记 复习_支持向量机svc

支持向量机(Support Vector Machine, SVM)是一种强大的监督学习模型,用于分类、回归甚至异常检测。它基于统计学习理论,特别关注找到数据的最佳分隔超平面。

复制代码
import numpy as np
import matplotlib.pyplot as plt
 
from sklearn.svm import SVC
from sklearn import datasets

X,y = datasets.make_blobs(n_samples= 100,#样本量
                          n_features=2,#二维数据,便于画图展示
                          centers = 2,#两块
                          random_state = 3)#随机数种子
plt.scatter(X[:,0],X[:,1],c=y)

#算法建模
svc = SVC(kernel = 'linear')
svc.fit(X,y)

#绘制分割线
w_ = svc.coef_#有两个特征
b_ = svc.intercept_
w = -w_[0,0]/w_[0,1]
b = -b_/w_[0,1]
sv = svc.support_vectors_  #当你使用像 scikit-learn 这样的库训练一个 SVM 模型时,support_vectors_ 包含了在模型训练过程中被选择为支持向量的样本点

x = np.linspace(-5,1,100)   #np.linspace函数可以生成一个包含固定数量元素的数组,这些元素均匀地分布在指定的区间内。这个函数在科学计算和数据分析中非常有用,因为它可以帮助你创建一个等间距的数值序列。
y_result = w*x+b
plt.scatter(X[:,0],X[:,1],c=y)
plt.plot(x,y_result,color = 'red')

#上下边界
b1 = sv[0][1] - w*sv[0][0]
plt.plot(x,w*x + b1,color = 'blue',ls = '--')

b2 = sv[-1][1] - w*sv[-1][0]
plt.plot(x,w*x+b2,color='blue',ls='--')

linspace为什么要这一步:

  1. 数值分析 :在数值分析中,经常需要在某个区间内对函数进行评估,linspace可以确保评估点均匀分布。

  2. 绘图:在绘图时,你可能需要在特定区间内均匀分布的x值来计算对应的y值,然后绘制函数图像。

  3. 函数评估:在评估函数的行为或特性时,均匀的点集可以帮助你更好地理解函数在不同区间的表现。

  4. 算法实现:某些算法可能需要在特定区间内均匀采样,以确保算法的准确性和公平性。

  5. 测试和验证:在测试函数或模型时,均匀的采样可以确保覆盖整个输入范围。

相关推荐
CoovallyAIHub4 小时前
中科大DSAI Lab团队多篇论文入选ICCV 2025,推动三维视觉与泛化感知技术突破
深度学习·算法·计算机视觉
NAGNIP5 小时前
Serverless 架构下的大模型框架落地实践
算法·架构
moonlifesudo5 小时前
半开区间和开区间的两个二分模版
算法
moonlifesudo5 小时前
300:最长递增子序列
算法
CoovallyAIHub10 小时前
港大&字节重磅发布DanceGRPO:突破视觉生成RLHF瓶颈,多项任务性能提升超180%!
深度学习·算法·计算机视觉
使一颗心免于哀伤10 小时前
《设计模式之禅》笔记摘录 - 21.状态模式
笔记·设计模式
CoovallyAIHub10 小时前
英伟达ViPE重磅发布!解决3D感知难题,SLAM+深度学习完美融合(附带数据集下载地址)
深度学习·算法·计算机视觉
聚客AI1 天前
🙋‍♀️Transformer训练与推理全流程:从输入处理到输出生成
人工智能·算法·llm
大怪v1 天前
前端:人工智能?我也会啊!来个花活,😎😎😎“自动驾驶”整起!
前端·javascript·算法
惯导马工1 天前
【论文导读】ORB-SLAM3:An Accurate Open-Source Library for Visual, Visual-Inertial and
深度学习·算法