SVM简单分类的使用 sklearn机器学习
# sklearn 库中导入 svm 模块 from sklearn import svm # 定义三个点和标签 X = [[2, 0], [1, 1], [2,3]] y = [0, 0, 1] # 定义分类器,clf 意为 classifier,是分类器的传统命名 clf = svm.SVC(kernel = 'linear') # .SVC()就是 SVM 的方程,参数 kernel 为线性核函数 # 训练分类器 clf.fit(X, y) # 调用分类器的 fit 函数建立模型(即计算出划分超平面,且所有相关属性都保存在了分类器 cls 里) # 打印分类器 clf 的一系列参数 print (clf) # 支持向量 print (clf.support_vectors_) # 属于支持向量的点的 index print (clf.support_) # 在每一个类中有多少个点属于支持向量 print (clf.n_support_) # 预测一个新的点 print (clf.predict([[2,0]]))
SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0, decision_function_shape='ovr', degree=3, gamma='scale', kernel='linear', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) [[1. 1.] [2. 3.]] [1 2] [1 1] [0]
多思考也是一种努力,做出正确的分析和选择,因为我们的时间和精力都有限,所以把时间花在更有价值的地方。