机器学习系列------SVM

alltolove

        SVM是一个应用非常广泛的机器学习模型，支持线性和非线性分类，回归分类，边界检查等，特别适用于复杂数据的分类。首先是SVM里的线性SVC模型：

import numpy as np
from sklearn import datasets
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC

iris=datasets.load_iris()
X=iris["data"][:,(2,3)]
y=(iris["target"]==2).astype(np.float64)

svm_clf=Pipeline([
        ("scaler",StandardScaler()),
        ("linear_svc",LinearSVC(C=1,loss="hinge")),
    ])

svm_clf.fit(X,y)

        还是用上次的鸢尾花数据制作模型，然后随便预测下：

svm_clf.predict([[5.5,1.7]])

        输出为：array([ 1.])。然后是多项式特征模型：

from sklearn.datasets import make_moons
from sklearn.preprocessing import PolynomialFeatures

polynomial_svm_clf=Pipeline([
        ("poly_features",PolynomialFeatures(degree=3)),
        ("scaler",StandardScaler()),
        ("svm_clf",LinearSVC(C=10,loss="hinge"))
    ])
polynomial_svm_clf.fit(X,y)

        这里就不演示预测了，都一样。然后是支撑向量分类模型：

from sklearn.svm import SVC

poly_kernel_svm_clf=Pipeline([
        ("scaler",StandardScaler()),
        ("svm_clf",SVC(kernel="poly",degree=3,coef0=1,C=5))
    ])
poly_kernel_svm_clf.fit(X,y)

        然后是高斯RBF神经网络模型：

rbf_kernel_svm_clf=Pipeline([
        ("scaler",StandardScaler()),
        ("svm_clf",SVC(kernel="rbf",gamma=5,C=0.001))
    ])
poly_kernel_svm_clf.fit(X,y)

        支持向量回归模型：

from sklearn.svm import SVR
svm_poly_reg=SVR(kernel="poly",degree=2,C=100,epsilon=0.1)
svm_poly_reg.fit(X,y)

       

490382466

题主优秀！！！