首页 > 代码库 > 机器学习算法--svm实战
机器学习算法--svm实战
1、不平衡数据分类问题
对于非平衡级分类超平面,使用不平衡SVC找出最优分类超平面,基本的思想是,我们先找到一个普通的分类超平面,自动进行校正,求出最优的分类超平面
测试代码如下:
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm
rng = np.random.RandomState(0)
n_samples_1 = 1000
n_samples_2 = 100
X = np.r_[1.5 * rng.randn(n_samples_1, 2),0.5 * rng.randn(n_samples_2, 2) + [2, 2]]
y = [0] * (n_samples_1) + [1] * (n_samples_2)
print X
print y
clf = svm.SVC(kernel=‘linear‘, C=1.0)
clf.fit(X, y)
w = clf.coef_[0]
a = -w[0] / w[1]
xx = np.linspace(-5, 5)
yy = a * xx - clf.intercept_[0] / w[1]
wclf = svm.SVC(kernel=‘linear‘, class_weight={1: 10})
wclf.fit(X, y)
ww = wclf.coef_[0]
wa = -ww[0] / ww[1]
wyy = wa * xx - wclf.intercept_[0] / ww[1]
h0 = plt.plot(xx, yy, ‘k-‘, label=‘no weights‘)
h1 = plt.plot(xx, wyy, ‘k--‘, label=‘with weights‘)
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.legend()
plt.axis(‘tight‘)
plt.show()
运行结果如下:
2、回归问题
支持分类的支持向量机可以推广到解决回归问题,这种方法称为支持向量回归
支持向量分类所产生的模型仅仅依赖于训练数据的一个子集,因为构建模型的成本函数不关心在超出边界范围的点,类似的,通过支持向量回归产生的模型依赖于训练数据的一个子集,因为构建模型的函数忽略了靠近预测模型的数据集。
有三种不同的实现方式:支持向量回归SVR,nusvr和linearsvr。linearsvr提供了比SVR更快实施但只考虑线性核函数,而nusvr实现比SVR和linearsvr略有不同。
测试代码
import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt
X = np.sort(5 * np.random.rand(40, 1), axis=0)
y = np.sin(X).ravel()
y[::5] += 3 * (0.5 - np.random.rand(8))
svr_rbf = SVR(kernel=‘rbf‘, C=1e3, gamma=0.1)
svr_lin = SVR(kernel=‘linear‘, C=1e3)
svr_poly = SVR(kernel=‘poly‘, C=1e3, degree=2)
y_rbf = svr_rbf.fit(X, y).predict(X)
y_lin = svr_lin.fit(X, y).predict(X)
y_poly = svr_poly.fit(X, y).predict(X)
lw = 2
plt.scatter(X, y, color=‘darkorange‘, label=‘data‘)
plt.hold(‘on‘)
plt.plot(X, y_rbf, color=‘navy‘, lw=lw, label=‘RBF model‘)
plt.plot(X, y_lin, color=‘c‘, lw=lw, label=‘Linear model‘)
plt.plot(X, y_poly, color=‘cornflowerblue‘, lw=lw, label=‘Polynomial model‘)
plt.xlabel(‘data‘)
plt.ylabel(‘target‘)
plt.title(‘Support Vector Regression‘)
plt.legend()
plt.show()
运行结果如下:
机器学习算法--svm实战
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。