svm的python代码_svm推导过程

激活谷笔记 • 2026-05-01 23:04 • 阅读 8

在Python中实现支持向量机（SVM）通常使用scikit-learn库，它提供了简单易用的接口和丰富的算法实现。下面是一个使用scikit-learn实现SVM的基本步骤和示例代码：

1. 安装scikit-learn库：

bash

pip install scikit-learn

2. 导入所需的库：

python

import numpy as np

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.svm import SVC

from sklearn.metrics import classification_report, confusion_matrix

import matplotlib.pyplot as plt

3. 加载数据集：

python

iris = datasets.load_iris（）

X = iris.data[:, :2] 使用前两个特征

y = iris.target[y < 2] 只考虑Setosa和Versicolor两个类别

4. 划分训练集和测试集：

python

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

5. 数据预处理（标准化）：

python

sc = StandardScaler（）

X_train = sc.fit_transform（X_train）

X_test = sc.transform（X_test）

6. 创建并训练SVM模型：

python

svc = SVC（kernel='linear', C=1.0）

svc.fit（X_train, y_train）

7. 预测测试集结果：

python

y_pred = svc.predict（X_test）

8. 评估模型：

python

print（confusion_matrix（y_test, y_pred））

print（classification_report（y_test, y_pred））

9. 可视化结果（可选）：

python

plt.scatter（X_train[:, 0], X_train[:, 1], c=y_train, cmap=plt.cm.Paired）

plt.scatter（X_test[:, 0], X_test[:, 1], c=y_test, cmap=plt.cm.Paired, marker='x'）

plt.plot（X_train[:, 0], svc.decision_function（X_train）, 'k--'）

plt.show（）

以上步骤展示了如何使用scikit-learn库实现一个简单的线性SVM分类器。你可以根据具体问题调整参数，如选择不同的核函数（如'poly'、'rbf'等）和调整正则化参数C。

如果你需要更深入地了解SVM的理论或实现细节，可以查看相关的教科书或在线资源。此外，对于非线性可分问题，你可能需要使用核技巧将数据映射到更高维的空间，以便找到一个可分的超平面。