使用Python实现SVM来解决二分类问题

news2024/11/28 9:21:40

下面是一个使用Python实现SVM来解决二分类问题的例子：

# 导入所需的库
from sklearn.datasets import make_blobs
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
import matplotlib.pyplot as plt

# 生成一个二分类数据集
X, y = make_blobs(n_samples=100, centers=2, random_state=42)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练SVM模型
svm = SVC(kernel='linear')
svm.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = svm.predict(X_test)

# 绘制数据点和分隔超平面
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='bwr')
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()
xx = np.linspace(xlim[0], xlim[1], 30)
yy = np.linspace(ylim[0], ylim[1], 30)
YY, XX = np.meshgrid(yy, xx)
xy = np.vstack([XX.ravel(), YY.ravel()]).T
Z = svm.decision_function(xy).reshape(XX.shape)
ax.contour(XX, YY, Z, colors='k', levels=[-1, 0, 1], alpha=0.5,
               linestyles=['--', '-', '--'])
ax.scatter(svm.support_vectors_[:, 0], svm.support_vectors_[:, 1], s=100,
                   linewidth=1, facecolors='none', edgecolors='k')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('SVM Classifier')
plt.show()

在此示例中，我们使用make_blobs函数生成一个包含两个类别的二分类数据集。然后，我们使用train_test_split函数将数据集拆分为训练集和测试集。接下来，我们创建了一个SVC对象作为SVM模型，并使用fit方法对模型进行训练。然后，我们使用训练好的模型在测试集上进行预测，并将预测结果保存在y_pred变量中。

最后，我们使用Matplotlib库绘制数据点和分隔超平面。scatter函数用于绘制数据点，不同类别的点使用不同的颜色表示。decision_function方法用于计算分隔超平面，然后使用contour函数绘制分隔超平面。同时，我们还使用support_vectors_属性绘制了支持向量的圆圈表示。

请确保在运行代码之前安装所需的库（如scikit-learn和Matplotlib）。此代码可根据实际问题进行调整和扩展。