机器学习-SVM支持向量机

支持向量机是一类监督学习算法,实现二分类,其决策边界是对学习样本求解的最大边距超平面。

课程代码:

import numpy as np

my_seed = 2017

np.random.seed(my_seed)

import random

random.seed(my_seed)import matplotlib

import matplotlib.pyplot as plt

matplotlib.rcParams['font.family'] = 'SimHei'

data_set_name = "ec_data"

all_data = np.fromfile(data_set_name)/(1024 * 1024)

sequence_len = 10

X = []

Y = []

for i in range(len(all_data)-sequence_len):

X.append(all_data[i:i+sequence_len])

Y.append(all_data[i+sequence_len])

X = np.array(X)

Y = np.array(Y)

from sklearn.model_selection import train_test_split

默认shufft

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.05)

from sklearn import svm

SVR = svm.SVR()

SVR.fit(X_train, Y_train)

Y_predict = SVR.predict(X_test)

预测的值

Y_test_predict = Y_predict

真实值

Y_test_real = Y_test

fig = plt.figure(figsize=(15, 6))

fig.suptitle(data_set_name)

x = np.arange(100, 150, 1)

plt.subplots_adjust(wspace =0, hspace =0.5)#调整子图间距

plt.subplot(2,1,1)

plt.plot(x,Y_test_predict[100:150],label="预测值")

plt.plot(x,Y_test_real[100:150],label="真实值")

plt.ylabel('流量大小(Mb)')

plt.legend(loc=1,ncol=1)

plt.subplot(2,1,2)

plt.ylabel('流量大小(Mb)')

plt.plot(Y_test_predict,label="预测值")

plt.plot(Y_test_real,label="真实值")

#指定图例位置,1右上角,2左上角,3右下角,4左下角,0自动适应图像

plt.legend(loc=0,ncol=1)

plt.legend(loc=1,ncol=1)

plt.savefig(data_set_name+"_svm_predict.png",dpi=400)

相关推荐
种自己的花呀27 分钟前
leetcode 3 无重复字符的最长子串
算法·leetcode·职场和发展
代码79721 小时前
使用会话存储时,处理存储信息加密问题
深度学习·算法·自动化·散列表·harmonyos
玉夏2 小时前
【每日算法C#】二进制求和 LeetCode
算法·leetcode·c#
且慢.5892 小时前
机器学习/深度学习名词理解
人工智能·深度学习·机器学习
heeheeai3 小时前
kotlin图算法
算法·kotlin·图论
☆cwlulu3 小时前
解码Android 系统蓝牙音频全流程
前端·人工智能·算法
2301_764441333 小时前
Python常见的排序算法及其特点和实现代码
python·算法·排序算法
自学小白菜3 小时前
常见算法实现系列01 - 排序算法
数据结构·算法·排序算法
ones~3 小时前
Python 简单算法题精选与题解汇总
数据结构·python·算法
Madison-No73 小时前
【C++】string类的常见接口的使用
开发语言·c++·算法