Python 向量机 图像 识别 python支持向量机参数

1、前言

在上一篇理论性的文章中我们说过了，SVM是分线性可分和线性不可分两种情况的，线性可分的比较容易理解，比较容易一些，线性不可分的就稍微复杂一点了。我们测试就分别用线性可分和线性不可分两种情况分别测试Python中的SVM算法。

Python中已经封装了SVM的算法在sklearn的库中，若不知道sklearn是啥我想你可能是没有看前面的基础课程，建议去了解一下sklearn。

本篇文章只讲线性可分的情况，下一篇文章讲线性不可分的情况，使用图片识别做例子。

2、线性可分的SVM应用测试

(1)简单的预测

测试数据我们给出三个点：(2,0)(1,1)(2,3)。

前两个点我们分为一类，第三个点事另一类可以记为(0,0,1)。

看代码：

#coding:utf8
#导入svm的库
from sklearn import svm
x = [[2, 0], [1, 1], [2, 3]]
y = [0, 0, 1]  #对应x的分类标记
clf = svm.SVC(kernel= 'linear') #线性核函数
clf.fit(x, y)
print clf
print clf.support_vectors_  #支持向量
print clf.support_  #支持向量是哪几个(下标)
print clf.n_support_    #每一类中有几个支持向量
print clf.predict([0, 1])   #测试数据
1
2
3
4
5
6
7
8
9
10
11
12
13
#coding:utf8
#导入svm的库
from sklearn import svm
x = [[2, 0], [1, 1], [2, 3]]
y = [0, 0, 1]  #对应x的分类标记
clf = svm.SVC(kernel= 'linear') #线性核函数
clf.fit(x, y)
print clf
print clf.support_vectors_  #支持向量
print clf.support_  #支持向量是哪几个(下标)
print clf.n_support_    #每一类中有几个支持向量
print clf.predict([0, 1])   #测试数据
上面的代码非常简单就不用讲了，注释写的很清楚。
(2)复杂一些的预测
下面我们做一个复杂点的例子，我们来随机生成两类点，进行SVM的建模然后我们在画布中画出这个模型图。
训练集：随机生成正太分布的点，20个小于0的 20个大于0的数。
代码如下：
#######################复杂的测试###############################
print "########################################\n"
import numpy as np
import pylab as pl
#生成随机点数据集
np.random.seed(0) #固定随机值
x = np.r_[np.random.randn(20, 2) - [2, 2], np.random.randn(20, 2) + [2, 2]]
y = [0] *20 +[1] * 20
print x
print y
clf2 = svm.SVC(kernel='linear')
clf2.fit(x, y)
print clf2.support_
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

#######################复杂的测试###############################
print "########################################\n"
import numpy as np
import pylab as pl
#生成随机点数据集
np.random.seed(0) #固定随机值
x = np.r_[np.random.randn(20, 2) - [2, 2], np.random.randn(20, 2) + [2, 2]]
y = [0] *20 +[1] * 20
print x
print y
clf2 = svm.SVC(kernel='linear')
clf2.fit(x, y)
print clf2.support_
模型已经建完，了我们下面就画出这个模型的二维形状。这里我们使用了一个绘图的库叫pylab。
绘图很简单，只要知道点的坐标就可以绘制出点，只要知道多个点的坐标连接起来就可以构成线。
不过这里注意一下，有个计算斜率和截距的公式，看代码吧。
#画出散点图
#画出支持向量的点，参数：x，y，大小
pl.scatter(clf2.support_vectors_[:, 0],clf2.support_vectors_[:, 1],s=80)
#画出全部的点，参数：x，y，颜色，colormap，形状
pl.scatter(x[:, 0],x[:, 1],c=y,cmap=pl.cm.Paired,marker='o')
pl.axis('tight')
#pl.savefig("dd") 保存绘图
pl.show()
1
2
3
4
5
6
7
8
9

#画出散点图

#画出支持向量的点，参数：x，y，大小
pl.scatter(clf2.support_vectors_[:, 0],clf2.support_vectors_[:, 1],s=80)
#画出全部的点，参数：x，y，颜色，colormap，形状
pl.scatter(x[:, 0],x[:, 1],c=y,cmap=pl.cm.Paired,marker='o')
pl.axis('tight')
#pl.savefig("dd") 保存绘图
pl.show()