from sklearn import svm x = [[2,0,1],[1,1,2],[2,3,3]] y = [0,0,1] #分类标记 clf = svm.SVC(kernel = 'linear') #SVM模块，svc,线性核函数 clf.fit(x,y) print(clf) print(clf.support_vectors_) #支持向量点 print(clf.support_) #支持向量点的索引 print(clf.n_support_) #每个class有几个支持向量点 print(clf.predict([2,0,3])) #预测 |
线性，展示图：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
|
from sklearn import svm import numpy as np import matplotlib.pyplot as plt np.random.seed(0) x = np.r_[np.random.randn(20,2)-[2,2],np.random.randn(20,2)+[2,2]] #正态分布来产生数字,20行2列*2 y = [0]*20+[1]*20 #20个class0，20个class1 clf = svm.SVC(kernel='linear') clf.fit(x,y) w = clf.coef_[0] #获取w a = -w[0]/w[1] #斜率 #画图划线 xx = np.linspace(-5,5) #(-5,5)之间x的值 yy = a*xx-(clf.intercept_[0])/w[1] #xx带入y，截距 #画出与点相切的线 b = clf.support_vectors_[0] yy_down = a*xx+(b[1]-a*b[0]) b = clf.support_vectors_[-1] yy_up = a*xx+(b[1]-a*b[0]) print("W:",w) print("a:",a) print("support_vectors_:",clf.support_vectors_) print("clf.coef_:",clf.coef_) plt.figure(figsize=(8,4)) plt.plot(xx,yy) plt.plot(xx,yy_down) plt.plot(xx,yy_up) plt.scatter(clf.support_vectors_[:,0],clf.support_vectors_[:,1],s=80) plt.scatter(x[:,0],x[:,1],c=y,cmap=plt.cm.Paired) #[:，0]列切片，第0列 plt.axis('tight') plt.show() |