数据分析python SVM解决非线性问题

简介: 数据分析python SVM解决非线性问题

1 初始准备

import numpy as np
import matplotlib.pyplot as pl
from sklearn import svm

2 模拟线性不可分数据

线性不可分数据

X=np.c_[(.4,-.7),
        (-1.5,-1),
        (-1.4,-.9),
        (-1.3,-1.2),
        (-1.1,-.2),
        (-1.2,-.4),
        (-.5,1.2),
        (-1.5,2.1),
        (1,1),
        #--
        (1.3,.8),
        (1.2,.5),
        (.2,-2),
        (.5,-2.4),
        (.2,-2.3),
        (0,-2.7),
        (1.3,2.1)].T
Y=[0]*8+[1]*8 #前8个一类,后8个一类

3 循环使用不同的SVM核

fignum=1#表示第几副图

#使用三种不同的核
for kernel in ('linear','poly','rbf'):
    clf=svm.SVC(kernel=kernel,gamma=2)#gamma=1/(2*a^2)
    clf.fit(X,Y)
    
    pl.figure(fignum,figsize=(4,3))
    pl.clf()
    
    #支持向量
    pl.scatter(clf.support_vectors_[:,0],clf.support_vectors_[:,1],s=80,facecolors='none',zorder=10,edgecolors='k')
    #第一类
    pl.scatter(X[:8,0],X[:8,1],c='g',zorder=10,cmap=pl.cm.Paired,edgecolors='k')
    
    #第二类
    pl.scatter(X[8:,0],X[8:,1],c='r',zorder=10,cmap=pl.cm.Paired,edgecolors='k')
    
    pl.axis('tight')
    x_min=-3
    x_max=3
    y_min=-3
    y_max=3
    
    XX,YY=np.mgrid[x_min:x_max:200j,y_min:y_max:200j]#复数类似np.linspace 步长
    Z=clf.decision_function(np.c_[XX.ravel(),YY.ravel()])
    
    #绘制决策边界和间距
    Z=Z.reshape(XX.shape)
    pl.figure(fignum,figsize=(4,3))
    pl.contour(XX,YY,Z,colors=['g','r','g'],linestyles=['--','-','--'],levels=[-.5,0,.5])#为了图好看,间距设置0.5
    
    pl.xlim(x_min,x_max)
    pl.ylim(y_min,y_max)
    
    fignum=fignum+1

pl.show()

在这里插入图片描述

目录
相关文章
|
29天前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
本文将引导读者了解如何使用Python进行数据分析,从安装必要的库到执行基础的数据操作和可视化。通过本文的学习,你将能够开始自己的数据分析之旅,并掌握如何利用Python来揭示数据背后的故事。
|
1月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
【10月更文挑战第42天】本文是一篇技术性文章,旨在为初学者提供一份关于如何使用Python进行数据分析的入门指南。我们将从安装必要的工具开始,然后逐步介绍如何导入数据、处理数据、进行数据可视化以及建立预测模型。本文的目标是帮助读者理解数据分析的基本步骤和方法,并通过实际的代码示例来加深理解。
59 3
|
1月前
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
78 0
|
1月前
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
90 4
数据分析的 10 个最佳 Python 库
|
1月前
|
存储 数据可视化 数据挖掘
使用Python进行数据分析和可视化
本文将引导你理解如何使用Python进行数据分析和可视化。我们将从基础的数据结构开始,逐步深入到数据处理和分析的方法,最后通过实际的代码示例来展示如何创建直观的数据可视化。无论你是初学者还是有经验的开发者,这篇文章都将为你提供有价值的见解和技巧。让我们一起探索数据的世界,发现隐藏在数字背后的故事!
|
1月前
|
存储 数据可视化 数据挖掘
Python数据分析项目:抖音短视频达人粉丝增长趋势
Python数据分析项目:抖音短视频达人粉丝增长趋势
|
1月前
|
数据采集 存储 数据可视化
Python数据分析:揭秘"黑神话:悟空"Steam用户评论趋势
Python数据分析:揭秘"黑神话:悟空"Steam用户评论趋势
|
1月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第42天】本文将介绍如何使用Python进行数据分析和可视化。我们将从数据导入、清洗、探索性分析、建模预测,以及结果的可视化展示等方面展开讲解。通过这篇文章,你将了解到Python在数据处理和分析中的强大功能,以及如何利用这些工具来提升你的工作效率。
|
1月前
|
数据采集 数据可视化 数据挖掘
深入浅出:使用Python进行数据分析的基础教程
【10月更文挑战第41天】本文旨在为初学者提供一个关于如何使用Python语言进行数据分析的入门指南。我们将通过实际案例,了解数据处理的基本步骤,包括数据的导入、清洗、处理、分析和可视化。文章将用浅显易懂的语言,带领读者一步步掌握数据分析师的基本功,并在文末附上完整的代码示例供参考和实践。
|
1月前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
49 2