支持向量机SVM求解鸢尾花分类问题（SVM_iris_（rbf_poly_linear））

print（__doc__）


import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets svm
from pylab import *
mpl.rcParams[‘font.sans-serif‘] = [‘SimHei‘]


import pandas as pd

iris = datasets.load_iris（）
print（iris.keys（））

iris = datasets.load_iris（）
X = iris.data                  # X.shape=（1504）
y = iris.target                # y.shape=（150）

X = X[y != 0 :2]             # X.shape=（1002）  select the first two features of X
y = y[y != 0];print（y）             # y.shape=（100）

n_sample = len（X）              # n_sample=100

np.random.seed（0）
order = np.random.permutation（n_sample）  # 排列，置换 If ‘x‘ is an integer randomly permute ‘‘np.arange（x）‘‘.If ‘x‘ is an array make a copy and shuffle the elements randomly.
X = X[order]
y = y[order].astype（np.float）

X_train = X[:int（.9 * n_sample）]
y_train = y[:int（.9 * n_sample）]
X_test = X[int（.9 * n_sample）:]
y_test = y[int（.9 * n_sample）:]

# fit the model
for fig_num kernel in enumerate（（‘linear‘ ‘rbf‘ ‘poly‘））:  # 径向基函数 （Radial Basis Function 简称 RBF）常用的是高斯基函数
    clf = svm.SVC（kernel=kernel gamma=10）   # gamma is the Kernel coefficient for ‘rbf‘ ‘poly‘ and ‘sigmoid‘.
    clf.fit（X_train y_train）

    print（clf.support_）;  # Indices of support vectors: array-like shape = [n_SV] indices of support vectors in x_train
    print（clf.support_vectors_）  # Support vectors: array-like shape = [n_SV n_features] support vectors in x_train
    print（clf.n_support_）  # Number of support vectors for each class: array-like dtype=int32 shape = [n_class]
    print（clf.decision_function（X_train））  # Distance of the samples X to the separating hyperplane.

    plt.figure（str（kernel））
    plt.xlabel（‘x1‘）
    plt.ylabel（‘x2‘）
    # plt