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
算AI1 小时前
人工智能+牙科:临床应用中的几个问题
人工智能·算法
hyshhhh3 小时前
【算法岗面试题】深度学习中如何防止过拟合?
网络·人工智能·深度学习·神经网络·算法·计算机视觉
杉之4 小时前
选择排序笔记
java·算法·排序算法
吴梓穆4 小时前
UE5学习笔记 FPS游戏制作38 继承标准UI
笔记·学习·ue5
烂蜻蜓4 小时前
C 语言中的递归:概念、应用与实例解析
c语言·数据结构·算法
OYangxf4 小时前
图论----拓扑排序
算法·图论
我要昵称干什么4 小时前
基于S函数的simulink仿真
人工智能·算法
AndrewHZ4 小时前
【图像处理基石】什么是tone mapping?
图像处理·人工智能·算法·计算机视觉·hdr
念九_ysl4 小时前
基数排序算法解析与TypeScript实现
前端·算法·typescript·排序算法
守正出琦4 小时前
日期类的实现
数据结构·c++·算法