文章目录
介绍
特征缩放
示例代码
硬间隔与软间隔分类
主要代码
代码解释
结语
介绍
作用：判别种类
原理：找出一个决策边界，判断数据所处区域来识别种类
简单介绍一下SVM分类的思想，我们看下面这张图，两种分类都很不错，但是我们可以注意到第二种的决策边界与实例更远（它们之间的距离比较宽），而SVM分类就是一种寻找距每种实例最远的决策边界的算法
特征缩放
SVM算法对特征缩放很敏感（不处理算法效果会受很大影响）
特征缩放是什么意思呢，例如有身高数据和体重数据，若身高是m为单位，体重是g为单位，那么体重就比身高的数值大很多，有些机器学习算法就可能更关注某一个值，这时我们用特征缩放就可以把数据统一到相同的尺度上
示例代码
from sklearn.preprocessing import StandardScaler
import numpy as np
# 创建一个示例数据集
data = np.array([[1.0, 2.0, 3.0],
[4.0, 5.0, 6.0],
[7.0, 8.0, 9.0]])
# 创建StandardScaler对象
scaler = StandardScaler()
# 对数据进行标准化
scaled_data = scaler.fit_transform(data)
print("原始数据：\n", data)
print("\n标准化后的数据：\n", scaled_data)
# 结果是
# [[-1.22474487 -1.22474487 -1.22474487]
# [ 0. 0. 0. ]
# [ 1.22474487 1.22474487 1.22474487]]
StandardScaler是一种数据标准化的方法，它对数据进行线性变换，使得数据的均值变为0，标准差变为1。
解释上面的数据
在每列上进行标准化，即对每个特征进行独立的标准化。每个数值是通过减去该列的均值，然后除以该列的标准差得到的。
- 第一列：(1−4)/9=−1.22474487(1−4)/9=−1.22474487，(4−4)/9=0(4−4)/9=0，(7−4)/9=1.22474487(7−4)/9=1.22474487。
- 第二列：(2−5)/9=−1.22474487(2−5)/9=−1.22474487，(5−5)/9=0(5−5)/9=0，(8−5)/9=1.22474487(8−5)/9=1.22474487。
- 第三列：(3−6)/9=−1.22474487(3−6)/9=−1.22474487，(6−6)/9=0(6−6)/9=0，(9−6)/9=1.22474487(9−6)/9=1.22474487。
这样，标准化后的数据集就符合标准正态分布，每个特征的均值为0，标准差为1。
硬间隔与软间隔分类
硬间隔分类就是完全将不同的个体区分在不同的区域（不能有一点误差）
软间隔分类就是允许一些偏差（图中绿和红色的点都有一些出现在了对方的分区里）
硬间隔分类往往会出现一些问题，例如有时候模型不可能完全分成两类，同时，硬间隔分类往往可能导致过拟合，而软间隔分类的泛化能力就比硬间隔分类好很多
主要代码
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC
model = Pipeline([
("scaler", StandardScaler()),
("linear_svc", LinearSVC(C=1, loss="hinge"))
])
model.fit(x, y)代码解释
在这里，Pipeline的构造函数接受一个由元组组成的列表。每个元组的第一个元素是该步骤的名称（字符串），第二个元素是该步骤的实例。在这个例子中，第一个步骤是数据标准化，使用StandardScaler，命名为"scaler"；第二个步骤是线性支持向量机，使用LinearSVC，命名为"linear_svc"。这两个步骤会按照列表中的顺序依次执行。
参数C是正则程度，hinge是SVM分类算法的损失函数，用来训练模型
结语
SVM分类是一种经典的分类算法，也叫大间隔分类算法。
