支持向量机上的核函数对比

本文主要是介绍支持向量机上的核函数对比，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

探索核函数在不同数据集上的表现

导入模块

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn import svm
from sklearn.datasets import make_circles, make_moons, make_blobs,make_classification

创建数据集，定义核函数的选择

n_samples = 100

# 创建数据列表
datasets = [
    make_moons(n_samples=n_samples, noise=0.2, random_state=0),
    make_circles(n_samples=n_samples, noise=0.2, factor=0.5, random_state=0), 
    make_blobs(n_samples=n_samples, centers=2, random_state=5),
    make_classification(n_samples=n_samples,n_features =2,n_informative=2,n_redundant=0, random_state=5)
    ]

# 创建核函数列表
Kernel = ["linear","poly","rbf","sigmoid"]

# 看一下数据的样子
for x, y in datasets:
    plt.figure(figsize=[5,4])
    plt.scatter(x[:,0], x[:,1], c=y, s=50, cmap="rainbow")

​

​

开始进行子图循环

#   构建子图
nrows = len(datasets)
ncols = len(Kernel) + 1
fig, axes = plt.subplots(nrows, ncols, figsize=(20, 16))

#   enumerate(datasets)结构 = (index,(X, Y))
#   第一层循环：在不同的数据集中循环
for ds_cnt, (X,Y) in enumerate(datasets):
    
    #   在图像中的第一列，放置原数据的分布
    ax = axes[ds_cnt, 0]
    if ds_cnt == 0:
        ax.set_title("Input data")
    ax.scatter(X[:,0], X[:,1], c=Y, zorder=10, cmap=plt.cm.Paired, edgecolors='k')
    ax.set_xticks(())
    ax.set_yticks(())
    
    #   第二层循环：在不同的核函数中循环
    #   从图像的第二列开始，一个个填充分类结果
    for est_idx, kernel in enumerate(Kernel):
        #   定义子图位置
        ax = axes[ds_cnt, est_idx + 1]
        #   建模
        clf = svm.SVC(kernel=kernel, gamma=2).fit(X, Y)
        score = clf.score(X, Y)
        #   绘制图像本身分布的散点图
        ax.scatter(X[:, 0], X[:, 1], c=Y, zorder=10, cmap=plt.cm.Paired, edgecolors='k')
        #   绘制支持向量
        ax.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], s=50, facecolors='none', zorder=10, edgecolors='k')
        #   绘制决策边界
        x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
        y_min, y_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5
        #   一次性使用最大值和最小值来生成网格
        #   表示为[起始值：结束值：步长]
        #   如果步长是复数，则其整数部分就是起始值和结束值之间创建的点的数量，并且结束值被包含在内
        XX, YY = np.mgrid[x_min:x_max:200j, y_min:y_max:200j]
        #   np.c_，类似于np.vstack的功能
        Z = clf.decision_function(np.c_[XX.ravel(), YY.ravel()]).reshape(XX.shape)
        #   填充等高线不同区域的颜色
        ax.pcolormesh(XX, YY, Z > 0, cmap=plt.cm.Paired)
        #   绘制等高线
        ax.contour(XX, YY, Z, colors=['k', 'k', 'k'], linestyles=['--', '-', '--'], levels=[-1, 0, 1])
        #   设定坐标轴为不显示
        ax.set_xticks(())
        ax.set_yticks(())
        #   将标题放在第一行的顶上
        if ds_cnt == 0:
            ax.set_title(kernel)
        #   为每张图添加分类的分数  
        ax.text(0.95, 0.06, ('%.2f' % score), size=15
                , bbox=dict(boxstyle='round', alpha=0.8, facecolor='white')
                #   为分数添加一个白色的格子作为底色
                , transform=ax.transAxes #  确定文字所对应的坐标轴，就是ax子图的坐标轴本身 
                , horizontalalignment='right'#  位于坐标轴的什么方
                ) 
plt.tight_layout()
plt.show()

/var/folders/rd/3p75tbv52n57f69fdxmzbdvc0000gn/T/ipykernel_1566/1017815882.py:42: UserWarning: No contour levels were found within the data range.
  ax.contour(XX, YY, Z, colors=['k', 'k', 'k'], linestyles=['--', '-', '--'], levels=[-1, 0, 1])

这篇关于支持向量机上的核函数对比的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！