企业网站 漏洞,给别人做的网站要复杂做安全扫描,网站续费服务内容,网站建设968基于源代码#xff1a;《机器学习——支持向量机SVM之python实现简单实例一》进行讲解
1、线性模型
这里以二特征三类#xff0c;一对多策略为案例
kernel “linear”#xff1a;线性核#xff0c;参数有w#xff0c;b
线性模型的决策边界是#xff1a;w0iTx0i w1i…基于源代码《机器学习——支持向量机SVM之python实现简单实例一》进行讲解
1、线性模型
这里以二特征三类一对多策略为案例
kernel “linear”线性核参数有wb
线性模型的决策边界是w0iTx0i w1iTx1i bi 0
注w0iTx0i w1iTx1i bi 1和w0iTx0i w1iTx1i bi -1是穿过支持向量的决策面边界
i的大小由类别的个数决定i n,说明决策函数有n个因此查看参数的时候w为一个nx2的数组2代表的是特征的个数
classifiersvm.SVC(C100,kernellinear,gamma100,decision_function_shapeovr) # ovr:一对多策略
classifier.coef_#参数w
#[[-6.28425012 5.14207649][-8.45820407 6.92112224][-0.99813811 -2.00212539]]
classifier.intercept_#参数b
# [-0.07076934 -0.08011805 0.12861107] 图中实线为分界面虚线为决策边界穿过支持向量的边界
#绘制边界和分界面
def plot_boundary(w,b):plot_x1 np.linspace(x[:, 0].min(), x[:, 0].max(), 200)#分界面w0x0 w1x1 b 0plot_x21 -w[0][0] / w[0][1] * plot_x1 - b[0] / w[0][1]plot_x31 -w[1][0] / w[1][1] * plot_x1 - b[1] / w[1][1]plot_x41 -w[2][0] / w[2][1] * plot_x1 - b[2] / w[2][1]#上边界w0x0 w1x1 b 1plot_up_x21 -w[0][0] / w[0][1] * plot_x1 - b[0] / w[0][1] 1/w[0][1]plot_up_x31 -w[1][0] / w[1][1] * plot_x1 - b[1] / w[1][1] 1/w[1][1]plot_up_x41 -w[2][0] / w[2][1] * plot_x1 - b[2] / w[2][1] 1/w[2][1]#下边界w0x0 w1x1 b -1plot_down_x21 -w[0][0] / w[0][1] * plot_x1 - b[0] / w[0][1] - 1/w[0][1]plot_down_x31 -w[1][0] / w[1][1] * plot_x1 - b[1] / w[1][1] - 1/w[1][1]plot_down_x41 -w[2][0] / w[2][1] * plot_x1 - b[2] / w[2][1] - 1/w[2][1]#分界面plt.plot(plot_x1, plot_x21, cblack)plt.plot(plot_x1, plot_x31, r)plt.plot(plot_x1, plot_x41, cb)#上边界plt.plot(plot_x1, plot_up_x21, g--)plt.plot(plot_x1, plot_up_x31, r--)plt.plot(plot_x1, plot_up_x41, b--)#上边界plt.plot(plot_x1, plot_down_x21, g--)plt.plot(plot_x1, plot_down_x31, r--)plt.plot(plot_x1, plot_down_x41, b--)plot_boundary(w,b)
其中
wceof_:
[[-6.28425012 5.14207649][-8.45820407 6.92112224][-0.99813811 -2.00212539]]
bintercept_:
[17.45202353 23.14272776 11.8943489 ]2、非线性模型
非线性模型使用的是高斯核kernel “rbf”参数有b
,w不需要计算
classifiersvm.SVC(C100,kernelrbf,gamma100,decision_function_shapeovr) # ovr:一对多策略
classifier.intercept_#参数b
# [-0.07076934 -0.08011805 0.12861107]
