支持向量机的基本原理是什么(支持向量机通俗易懂)

导语：浅谈支持向量机（3）

以下代码对比分析四种支持向量机分类预测的效果。使用到的支持向量机有：线性支持向量机、非线性支持向量机（线性核、高斯核、多项式核）

from sklearn.datasets import load_wine 导入支持向量机中要用的库import matplotlib.pyplot as plt        导入计算库读入红酒数据集的数据X=data.data[:,:2]    取出数据的标签值     x0,x1=X[:,0],X[:,1]  第一列特征的最小值减1和最大值加1y_min,y_max=x1.min()-1,x1.max()+1  构建两个序列，分别以x_min和y_min为起始值，差值为0.05，终值为x_max和y_max（最大只能取到max-0.05）第二步：构建分类模型models=(LinearSVC(),SVC(kernel=&34;), SVC(kernel=&39;,gamma=0.7),SVC(kernel=&39;,degree=4))使用红酒数据集来训练四个支持向量机第三步：绘图准备fig,ax=plt.subplots(2,2) 调整子图布局，wspace表示子图之间保留的宽度，hspace表示子图之间保留的高度titles=(&39;,&39;,&39;,&39;)定义函数：绘制分类的边界    z=svm.predict(np.c_[xx.ravel(),yy.ravel()]).reshape(xx.shape)    返回绘制好的分类边界，contourf函数是绘制带填充的等高线    第四步：开始绘图for model,title,ax in zip(models,titles,ax.flatten()):调用绘制分类边界函数    ax.scatter(x0,x1,c=y,cmap=plt.cm.magma,s=20,edgecolor=&39;)    39;Feature 0&39;Feature 1&设置每张子图的标题plt.show()

例子使用的是sklearn自带的红酒数据集，共有178条数据，每条数据13个分类。取数据集的前两列，绘制散点图和分类边界。四个支持向量机都使用了默认的正则化系数，C=1，参数kernel指定的是非线性支持向量机使用的核，高斯核中的参数gamma表示核宽度，也就是径向作用范围。增大gamma值效果如下，过于拟合当前数据，模型复杂度高，泛化能力差。

多项式支持向量机中参数degree表示多项式的最高次幂。zip函数将对象中对应的元素打包成一个个元组，然后返回这些元组组成的列表。这里就是把模型、标题、子图序号分别打包成三个元组，model循环读取模型列表，title循环读取标题列表，ax.flatten()是把ax一维化，然后逐一取出每一个要绘制的子图。

本文内容由小畅整理编辑！