#encoding=utf-8
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm
from sklearn.datasets import make_blobs
“““
--------获取数据--------
随机生成40个独立的点，一共有两类
X数据格式[[6.37734541 -10.61510727][6.50072722 -3.82403586]...]
Y数据格式[1 0 1 0 1 ...1 0 1] 0和1代表类别
“““
Xy = make_blobs（n_samples=40centers=2random_state=6） #随机生成2类数据，一共含40个样本
“““
print X
print y
“““
“““
--------训练SVM模型--------
kernel=‘linear‘ 核函数选择Linear核，主要用于线性可分的情形。参数少，速度快。
C=1000 惩罚参数，C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，
趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱。C值小，对误分类的惩罚减小，允许容错，
将他们当成噪声点，泛化能力较强。
“““
clf = svm.SVC（kernel=‘linear‘C=1000） #SVC时SVM的一种Type是用来做分类的
clf.fit（Xy） #喂给模型数据，进行训练
print（“模型参数W:“clf.coef_ ） #模型参数W
print（“模型参数b:“clf.intercept_ ） #模型参数b
print（“支持向量为：“clf.support_vectors_ ） #输出支持向量
xpredict = [10-10]
xpredict = np.array（xpredict）.reshape（1-1） #sklearn 0.17版本之后需要这条语句，之前版本直接传入xpre
评论
共有 条评论