网站标题几个字合适,成都网站建设设计,设计工具,培训心得体会800字一、支持向量机(support vector machines. #xff0c;SVM)概念
1. SVM 绪论
支持向量机#xff08;SVM#xff09;的核心思想是找到一个最优的超平面#xff0c;将不同类别的数据点分开。SVM 的关键特点包括#xff1a;
① 分类与回归#xff1a; SVM 可以用于分类SVM)概念
1. SVM 绪论
支持向量机SVM的核心思想是找到一个最优的超平面将不同类别的数据点分开。SVM 的关键特点包括
① 分类与回归 SVM 可以用于分类SVC, Support Vector Classification和回归SVR, Support Vector Regression。 分类任务中SVM 通过找到一个超平面最大化不同类别之间的间隔margin。 回归任务中SVM 通过找到一个超平面使得数据点尽可能接近该超平面。
② 核函数Kernel SVM 通过核函数将数据映射到高维空间从而解决非线性问题。 常用的核函数包括 线性核linear 多项式核poly 径向基核RBF, rbf Sigmoid 核sigmoid
③ 支持向量 支持向量是离超平面最近的数据点它们决定了超平面的位置和方向。
2. scikit-learn 中的SVM包
① SVC 用于分类任务的支持向量机。 主要参数 kernel核函数类型如 linear、rbf 等。 C正则化参数控制模型的复杂度。 gamma核函数的系数仅对 rbf、poly 和 sigmoid 核有效。
② SVR 用于回归任务的支持向量机。 主要参数与 SVC 类似。
③ LinearSVC 线性支持向量分类器专门用于线性核的 SVM。 比 SVC(kernellinear) 更高效。
④ LinearSVR 线性支持向量回归器专门用于线性核的 SVM 回归。
3. SVM包中的主要参数
① kernel 核函数类型默认为 rbf。 可选值linear、poly、rbf、sigmoid 或自定义核函数。
② C 正则化参数默认为 1.0。 较小的 C 值表示更强的正则化较大的 C 值表示更弱的正则化。
③ gamma 核函数的系数默认为 scale即 1 / (n_features * X.var())。 较小的 gamma 值表示核函数的影响范围较大较大的 gamma 值表示核函数的影响范围较小。
④ degree 多项式核的阶数默认为 3。 仅对 kernelpoly 有效。
⑤ probability 是否启用概率估计默认为 False。 如果为 True可以使用 predict_proba 方法获取类别概率。
4. SVM示例代码
import numpy as np
from sklearn.svm import SVC
import matplotlib.pyplot as plt# 1. 自定义数据集
np.random.seed(42)
X np.random.randn(100, 2) # 100 个样本每个样本有 2 个特征
y (X[:, 0] X[:, 1] 0).astype(np.int32) # 根据特征的线性组合生成标签# 2. 初始化 SVM 模型
svm_model SVC(kernellinear, C1.0, random_state42)# 3. 训练模型
svm_model.fit(X, y)# 4. 可视化决策边界
def plot_decision_boundary(model, X, y):# 创建网格点x_min, x_max X[:, 0].min() - 1, X[:, 0].max() 1y_min, y_max X[:, 1].min() - 1, X[:, 1].max() 1xx, yy np.meshgrid(np.arange(x_min, x_max, 0.01),np.arange(y_min, y_max, 0.01))# 预测网格点的类别Z model.predict(np.c_[xx.ravel(), yy.ravel()])Z Z.reshape(xx.shape)# 绘制决策边界plt.contourf(xx, yy, Z, alpha0.8, cmapviridis)# 绘制样本点plt.scatter(X[:, 0], X[:, 1], cy, edgecolorsk, markero, cmapviridis)plt.title(SVM 决策边界)plt.xlabel(特征 1)plt.ylabel(特征 2)plt.show()# 可视化决策边界
plot_decision_boundary(svm_model, X, y)
二、SVM类型
1. 线性可分支持向量机Linear Separable SVM
① 定义 适用于数据 线性可分 的情况即存在一个超平面可以将不同类别的样本完全分开。 目标是找到一个最优超平面使得两类样本之间的间隔margin最大化。
② 数学形式 超平面方程w⋅xb0其中 w 是法向量决定了超平面的方向。 b 是偏置项决定了超平面的位置。 优化目标 约束条件 其中 是样本的类别标签。
③ 特点 适用于数据完全线性可分的情况。 通过最大化间隔提高模型的泛化能力。
2. 线性支持向量机Linear SVM
① 定义 适用于数据 近似线性可分 的情况即数据中存在少量噪声或异常点无法完全分开。 引入 松弛变量slack variables允许部分样本违反间隔约束。
② 数学形式
优化目标 约束条件 其中 是松弛变量表示第个样本违反间隔约束的程度。 是正则化参数控制模型对误分类的惩罚力度。
③ 特点 通过引入松弛变量允许部分样本误分类提高模型的鲁棒性。 适用于数据近似线性可分的情况。
3. 非线性支持向量机Nonlinear SVM
① 定义 适用于数据 非线性可分 的情况即无法通过一个超平面将不同类别的样本分开。 通过 核函数Kernel Function 将数据映射到高维空间使得数据在高维空间中线性可分。
② 数学形式
核函数的作用是将原始特征空间映射到高维特征空间 其中甚至可以是无限维。
优化目标 约束条件 ③ 常用核函数
线性核Linear Kernel 多项式核Polynomial Kernel 径向基核RBF Kernel Sigmoid 核Sigmoid Kernel ④ 特点 通过核函数可以处理非线性可分的数据。 核函数的选择对模型性能有重要影响。
4. 总结
类型适用场景核心思想关键参数/技术线性可分支持向量机数据完全线性可分最大化间隔无松弛变量线性支持向量机数据近似线性可分允许部分样本误分类松弛变量、正则化参数 C非线性支持向量机数据非线性可分通过核函数映射到高维空间核函数、正则化参数 C 线性可分支持向量机 是理想情况现实中较少见。 线性支持向量机 通过引入松弛变量提高了模型的鲁棒性。 非线性支持向量机 通过核函数可以处理复杂的非线性问题。
三、自定义数据集 使用scikit-learn中svm的包实现svm分类
1. 代码示例
import numpy as np
from sklearn.svm import SVC
import matplotlib.pyplot as plt# 1. 自定义数据集
# 生成 200 个样本每个样本有 2 个特征
np.random.seed(42) # 设置随机种子以确保结果可重复
X np.random.randn(200, 2).astype(np.float32)
# 根据特征的线性组合生成标签大于 0 标记为 1否则标记为 0
y (2 * X[:, 0] 3 * X[:, 1] 0).astype(np.int32)# 2. 初始化 SVM 模型
# 使用线性核函数
svm_model SVC(kernellinear, random_state42)# 3. 训练模型
svm_model.fit(X, y)# 4. 可视化决策边界和支持向量
def plot_decision_boundary(model, X, y):# 创建网格点x_min, x_max X[:, 0].min() - 1, X[:, 0].max() 1y_min, y_max X[:, 1].min() - 1, X[:, 1].max() 1xx, yy np.meshgrid(np.arange(x_min, x_max, 0.01),np.arange(y_min, y_max, 0.01))# 预测网格点的类别Z model.predict(np.c_[xx.ravel(), yy.ravel()])Z Z.reshape(xx.shape)# 绘制决策边界plt.contourf(xx, yy, Z, alpha0.8, cmapviridis)# 绘制样本点plt.scatter(X[:, 0], X[:, 1], cy, edgecolorsk, markero, cmapviridis)# 绘制支持向量plt.scatter(model.support_vectors_[:, 0], model.support_vectors_[:, 1],s100, facecolorsnone, edgecolorsr, label支持向量)plt.title(SVM 决策边界)plt.xlabel(特征 1)plt.ylabel(特征 2)plt.legend()plt.show()# 可视化训练集的决策边界和支持向量
plot_decision_boundary(svm_model, X, y)
2. 代码解释
① 自定义数据集 X np.random.randn(200, 2).astype(np.float32) 生成 200 个样本每个样本有 2 个特征。 使用 np.random.randn 生成符合标准正态分布的随机数。 astype(np.float32) 将数据类型转换为 32 位浮点数。 y (2 * X[:, 0] 3 * X[:, 1] 0).astype(np.int32) 根据特征的线性组合生成标签。 公式 2 * X[:, 0] 3 * X[:, 1] 0 表示特征的线性组合是否大于 0。 大于 0 的样本标记为 1否则标记为 0。 astype(np.int32) 将标签转换为 32 位整数。
② 初始化 SVM 模型 svm_model SVC(kernellinear, random_state42) 使用线性核函数初始化 SVM 模型。 kernellinear 表示使用线性核函数。 random_state42 确保每次运行代码时结果一致。
③ 训练模型 svm_model.fit(X, y) 使用训练集数据训练 SVM 模型。
④ 可视化决策边界和支持向量 plot_decision_boundary 函数 绘制 SVM 的决策边界和支持向量。 使用 np.meshgrid 创建网格点覆盖整个特征空间。 使用 model.predict 预测网格点的类别。 使用 plt.contourf 绘制决策边界。 使用 plt.scatter 绘制样本点和支持向量。
