SVM→8.SVM实战→3.调节SVM参数

1. 导入模块

1. 生成数据集
1. 使用make_blobs函数生成用于聚类的数据，主要参数有：
1. n_samples：样本个数
2. centers：样本中心（类别）数
3. random_state：随机种子(被指定后，每次构造数据相同)
4. cluster_std：数据离散程度
5. n_features：特征数，默认是2
2. 返回值有样本数据集X和标签y，且都是ndarray对象

1. 模型选择及超参数调优
1. 使用svm.SVC(C=1.0, kernel=’rbf’)来创建一个SVC对象，选择核为linear及不同的C
2. 当C值特别大时，相当于=0，此时为硬间隔最大化；当C值很小时，此时为软间隔最大化，软间隔的支持向量或者在间隔边界上，或者在间隔边界与分离超平面之间， 或者在分离超平面误分一侧。

1
2
3
4
5
6
7

_,axi = plt.subplots(1,2)

for axi, C in zip(axi, [10.0, 0.1]):
    model = SVC(kernel=‘linear‘, C=C).fit(X, y)
    axi.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=‘autumn‘)
    plot_svc_decision_function(model, axi)
    axi.set_title(‘C = {0:.1f}‘.format(C), size=14)

plot_svc_decision_function参考见扩展

1. 绘制图形
1. 使用svm.SVC(C=1.0, kernel=’rbf’)来创建一个SVC对象，选择核为rbf及不同的gamma    
2. gamma越大，拟合的曲线就越复杂。

 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

def plot_svc_decision_function(model, ax=None, plot_support=True):
    """Plot the decision function for a 2D SVC"""
    if ax is None:
        ax = plt.subplot(111)
    xlim = ax.get_xlim()
    ylim = ax.get_ylim()

    # create grid to evaluate model
    x = np.linspace(xlim[0], xlim[1], 30)
    y = np.linspace(ylim[0], ylim[1], 30)
    X,Y = np.meshgrid(x, y)
    xy = np.vstack([X.flatten(), Y.flatten()]).T
    P = model.decision_function(xy).reshape(X.shape)

    # plot decision boundary and margins
    #levels是 alpha是透明度 linestyles
    ax.contour(X, Y, P, colors=‘k‘,
               levels=[-1, 0, 1], alpha=0.5,
               linestyles=[‘--‘, ‘-‘, ‘--‘])

    # plot support vectors
    if plot_support:
        ax.scatter(model.support_vectors_[:, 0],
                   model.support_vectors_[:, 1],
                   s=500,c=‘‘,edgecolors=‘black‘)