svm python库_svm寻优函数python

激活谷笔记 • 2026-05-08 10:43 • 阅读 3

要使用Python绘制支持向量机（SVM）的图像，你可以按照以下步骤进行：

1. 导入必要的库。

2. 创建虚拟数据集。

3. 划分数据集为训练集和测试集。

4. 训练SVM模型。

5. 获取分隔超平面和支持向量。

6. 绘制分隔超平面和支持向量。

下面是一个简单的示例代码，展示了如何使用Python绘制一个线性核SVM的图像：

python

import numpy as np

import matplotlib.pyplot as plt

from sklearn import svm

创建虚拟数据集

np.random.seed（0）

X = np.r_[np.random.randn（20, 2） - [2, 2], np.random.randn（20, 2） + [2, 2]]

Y = * 20 + * 20

划分数据集为训练集和测试集（这里省略了这一步，直接训练模型）

X_train, X_test, y_train, y_test = train_test_split（X, Y, test_size=0.3, random_state=42）

训练SVM模型

clf = svm.SVC（kernel='linear'）

clf.fit（X, Y）

获取分隔超平面和支持向量

w = clf.coef_

a = -w / w

xx = np.linspace（-5, 5）

yy = a * xx - （clf.intercept_） / w

绘制分隔超平面

plt.plot（xx, yy, 'k-'）

绘制通过支持向量的平行线

b = clf.support_vectors_

yy_down = a * xx + （b - a * b）

b = clf.support_vectors_[-1]

yy_up = a * xx + （b - a * b）

plt.plot（xx, yy_down, 'k--'）

plt.plot（xx, yy_up, 'k--'）

绘制支持向量

plt.scatter（b, b, c='red', marker='x'）

plt.scatter（clf.support_vectors_[:, 0][Y == 0], clf.support_vectors_[:, 1][Y == 0], c='blue', marker='o'）

plt.scatter（clf.support_vectors_[:, 0][Y == 1], clf.support_vectors_[:, 1][Y == 1], c='green', marker='s'）

设置坐标轴范围

plt.xlim（-5, 5）

plt.ylim（-5, 5）

显示图像

plt.show（）

这段代码首先生成了一个线性可分的数据集，然后用线性核训练了一个SVM模型。之后，它计算了分隔超平面，并绘制了分隔超平面以及通过支持向量的两条平行线。最后，它标记了支持向量以及不同类别的数据点。

请注意，这个示例使用了线性核，但你可以通过改变`kernel`参数来尝试不同的核函数，如`poly`、`rbf`或`sigmoid`。

svm python库_svm寻优函数python

相关推荐