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_datai:i+sequence_len)

Y.append(all_datai+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_predict100:150,label="预测值")

plt.plot(x,Y_test_real100:150,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
forest_0910 小时前
《AI 编程 Harness 实战手册》04|审批这道门:点了一百次“允许”,还剩多少作用?
人工智能·算法·prompt·agi
H.莓飛11 小时前
【C++】【STL】stack_OJ题
服务器·c语言·开发语言·数据结构·c++·算法·visual studio
不会武功不懂江湖13 小时前
RISC-V链接器与链接脚本
汇编·算法·risc-v
Zwawa14 小时前
卡尔曼到底在算什么:从一维到它的变式以及工程版卡尔曼滤波算法C语言实现
c语言·算法·嵌入式
电科_银尘14 小时前
【大模型算法与工程 14】Tokenizer与Embedding:文本如何变成模型输入
算法·embedding
饮水桶_T15 小时前
Python 面向对象(十七)|继承、封装、多态 笔记
数据结构·笔记·算法
地平线开发者18 小时前
让 AI Agent 和 征程6 台架高效、稳定、安全地协作
算法·安全·自动驾驶
kyle~19 小时前
SHA-256 哈希去重
算法·哈希算法
风落青芜1 天前
链式二叉树的实现与基本操作
c语言·开发语言·数据结构·算法