快捷導(dǎo)航

Python中使用支持向量機(SVM)算法

更新時間：2017年12月26日 16:39:21 作者：quryktcs

這篇文章主要為大家詳細(xì)介紹了Python中使用支持向量機SVM算法，具有一定的參考價值，感興趣的小伙伴們可以參考一下

在機器學(xué)習(xí)領(lǐng)域，支持向量機SVM(Support Vector Machine)是一個有監(jiān)督的學(xué)習(xí)模型，通常用來進(jìn)行模式識別、分類(異常值檢測)以及回歸分析。

其具有以下特征：

(1)SVM可以表示為凸優(yōu)化問題，因此可以利用已知的有效算法發(fā)現(xiàn)目標(biāo)函數(shù)的全局最小值。而其他分類方法都采用一種基于貪心學(xué)習(xí)的策略來搜索假設(shè)空間，這種方法一般只能獲得局部最優(yōu)解。
(2) SVM通過最大化決策邊界的邊緣來實現(xiàn)控制模型的能力。盡管如此，用戶必須提供其他參數(shù)，如使用核函數(shù)類型和引入松弛變量等。
(3)SVM一般只能用在二類問題，對于多類問題效果不好。

1. 下面是代碼及詳細(xì)解釋(基于sklearn包)：

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

#準(zhǔn)備訓(xùn)練樣本
x=[[1,8],[3,20],[1,15],[3,35],[5,35],[4,40],[7,80],[6,49]]
y=[1,1,-1,-1,1,-1,-1,1]

##開始訓(xùn)練
clf=svm.SVC() ##默認(rèn)參數(shù)：kernel='rbf'
clf.fit(x,y)

#print("預(yù)測...")
#res=clf.predict([[2,2]]) ##兩個方括號表面?zhèn)魅氲膮?shù)是矩陣而不是list

##根據(jù)訓(xùn)練出的模型繪制樣本點
for i in x:
  res=clf.predict(np.array(i).reshape(1, -1))
  if res > 0:
    plt.scatter(i[0],i[1],c='r',marker='*')
  else :
    plt.scatter(i[0],i[1],c='g',marker='*')

##生成隨機實驗數(shù)據(jù)(15行2列)
rdm_arr=np.random.randint(1, 15, size=(15,2))
##回執(zhí)實驗數(shù)據(jù)點
for i in rdm_arr:
  res=clf.predict(np.array(i).reshape(1, -1))
  if res > 0:
    plt.scatter(i[0],i[1],c='r',marker='.')
  else :
    plt.scatter(i[0],i[1],c='g',marker='.')
##顯示繪圖結(jié)果
plt.show()

結(jié)果如下圖：

從圖上可以看出，數(shù)據(jù)明顯被藍(lán)色分割線分成了兩類。但是紅色箭頭標(biāo)示的點例外，所以這也起到了檢測異常值的作用。

2.在上面的代碼中提到了kernel='rbf',這個參數(shù)是SVM的核心：核函數(shù)

重新整理后的代碼如下：

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

##設(shè)置子圖數(shù)量
fig, axes = plt.subplots(nrows=2, ncols=2,figsize=(7,7))
ax0, ax1, ax2, ax3 = axes.flatten()

#準(zhǔn)備訓(xùn)練樣本
x=[[1,8],[3,20],[1,15],[3,35],[5,35],[4,40],[7,80],[6,49]]
y=[1,1,-1,-1,1,-1,-1,1]
'''
  說明1：
    核函數(shù)(這里簡單介紹了sklearn中svm的四個核函數(shù)，還有precomputed及自定義的)
    
  LinearSVC：主要用于線性可分的情形。參數(shù)少，速度快，對于一般數(shù)據(jù)，分類效果已經(jīng)很理想
  RBF:主要用于線性不可分的情形。參數(shù)多，分類結(jié)果非常依賴于參數(shù)
  polynomial:多項式函數(shù),degree 表示多項式的程度-----支持非線性分類
  Sigmoid：在生物學(xué)中常見的S型的函數(shù)，也稱為S型生長曲線

  說明2：根據(jù)設(shè)置的參數(shù)不同，得出的分類結(jié)果及顯示結(jié)果也會不同
  
'''
##設(shè)置子圖的標(biāo)題
titles = ['LinearSVC (linear kernel)', 
     'SVC with polynomial (degree 3) kernel', 
     'SVC with RBF kernel',   ##這個是默認(rèn)的
     'SVC with Sigmoid kernel']
##生成隨機試驗數(shù)據(jù)(15行2列)
rdm_arr=np.random.randint(1, 15, size=(15,2))

def drawPoint(ax,clf,tn):
  ##繪制樣本點
  for i in x:
    ax.set_title(titles[tn])
    res=clf.predict(np.array(i).reshape(1, -1))
    if res > 0:
      ax.scatter(i[0],i[1],c='r',marker='*')
    else :
      ax.scatter(i[0],i[1],c='g',marker='*')
   ##繪制實驗點
  for i in rdm_arr:
    res=clf.predict(np.array(i).reshape(1, -1))
    if res > 0:
      ax.scatter(i[0],i[1],c='r',marker='.')
    else :
      ax.scatter(i[0],i[1],c='g',marker='.')

if __name__=="__main__":
  ##選擇核函數(shù)
  for n in range(0,4):
    if n==0:
      clf = svm.SVC(kernel='linear').fit(x, y)
      drawPoint(ax0,clf,0)
    elif n==1:
      clf = svm.SVC(kernel='poly', degree=3).fit(x, y)
      drawPoint(ax1,clf,1)
    elif n==2:
      clf= svm.SVC(kernel='rbf').fit(x, y)
      drawPoint(ax2,clf,2)
    else :
      clf= svm.SVC(kernel='sigmoid').fit(x, y)
      drawPoint(ax3,clf,3)
  plt.show()

結(jié)果如圖：

由于樣本數(shù)據(jù)的關(guān)系，四個核函數(shù)得出的結(jié)果一致。在實際操作中，應(yīng)該選擇效果最好的核函數(shù)分析。

3.在svm模塊中還有一個較為簡單的線性分類函數(shù)：LinearSVC()，其不支持kernel參數(shù)，因為設(shè)計思想就是線性分類。如果確定數(shù)據(jù)

可以進(jìn)行線性劃分，可以選擇此函數(shù)。跟kernel='linear'用法對比如下：

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

##設(shè)置子圖數(shù)量
fig, axes = plt.subplots(nrows=1, ncols=2,figsize=(7,7))
ax0, ax1 = axes.flatten()

#準(zhǔn)備訓(xùn)練樣本
x=[[1,8],[3,20],[1,15],[3,35],[5,35],[4,40],[7,80],[6,49]]
y=[1,1,-1,-1,1,-1,-1,1]

##設(shè)置子圖的標(biāo)題
titles = ['SVC (linear kernel)', 
     'LinearSVC']

##生成隨機試驗數(shù)據(jù)(15行2列)
rdm_arr=np.random.randint(1, 15, size=(15,2))

##畫圖函數(shù)
def drawPoint(ax,clf,tn):
  ##繪制樣本點
  for i in x:
    ax.set_title(titles[tn])
    res=clf.predict(np.array(i).reshape(1, -1))
    if res > 0:
      ax.scatter(i[0],i[1],c='r',marker='*')
    else :
      ax.scatter(i[0],i[1],c='g',marker='*')
  ##繪制實驗點
  for i in rdm_arr:
    res=clf.predict(np.array(i).reshape(1, -1))
    if res > 0:
      ax.scatter(i[0],i[1],c='r',marker='.')
    else :
      ax.scatter(i[0],i[1],c='g',marker='.')

if __name__=="__main__":
  ##選擇核函數(shù)
  for n in range(0,2):
    if n==0:
      clf = svm.SVC(kernel='linear').fit(x, y)
      drawPoint(ax0,clf,0)
    else :
      clf= svm.LinearSVC().fit(x, y)
      drawPoint(ax1,clf,1)
  plt.show()

結(jié)果如圖所示：