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(kāi)始訓(xùn)練
clf=svm.SVC() ##默認(rèn)參數(shù)：kernel='rbf'
clf.fit(x,y)
##根據(jù)訓(xùn)練出的模型繪制樣本點(diǎn)
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(jī)實(shí)驗(yàn)數(shù)據(jù)(15行2列)
rdm_arr=np.random.randint(1, 15, size=(15,2))
##回執(zhí)實(shí)驗(yàn)數(shù)據(jù)點(diǎn)
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()

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(shuō)明1：
    核函數(shù)(這里簡(jiǎn)單介紹了sklearn中svm的四個(gè)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(duì)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(xiàng)式函數(shù),degree 表示多項(xiàng)式的程度-----支持非線性分類
  Sigmoid：在生物學(xué)中常見(jiàn)的S型的函數(shù)，也稱為S型生長(zhǎng)曲線

  說(shuō)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(huì)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(gè)是默認(rèn)的
     'SVC with Sigmoid kernel']
##生成隨機(jī)試驗(yàn)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(diǎn)
  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(shí)驗(yàn)點(diǎn)
  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()