深度学习-机器学习(5.2支持向量机SVM上的Python应用)

1.简单的应用，（用前两节的例子）

直接上代码：

from sklearn import svm
x = [[2,0],[1,1],[2,3]]#定义三个点
y = [0,0,1]  #（class label）分类的标记
clf = svm.SVC(kernel="linear")#通过svm来建立模型，SVC为一个方程，里面的参数下节课会说到，算法就是上两节课里面的算法
clf.fit(x,y)
print(clf)
#打印出支持向量是哪几个点
print('='*200)
print(clf.support_vectors_)
print('='*200)
#打印出到底哪几个点是属于支持向量，打印出的是下标
print(clf.support_)
print('='*200)
#打印出有几个属于支持向量
print(clf.n_support_)

结果如图：

这个例子就用了sklearn的SVM库，对它所建立的模型进行检测，如果有新点则可以用predict来进行预测，来判断它的属性

#例如，我们想知道(2,0)这个点的对应的类别标记
print(clf.predict([[2,0]]))#注意这个点的输入，有两个中括号

预测的结果为： [0]

和上面的结果一致。

下一节我们来看稍微复杂一些的Python的实例

深度学习-机器学习(5.2支持向量机SVM上的Python应用)相关推荐

深度学习-机器学习(5.2支持向量机SVM)
1.SVM如何找出最大边际的超平面呢(MMH)? 利用一些数学推到,以上一节的公式可变为有限的凸优化问题(convex quadratic optimization) 利用Karush-Kuhn-Tu ...
信号处理深度学习机器学习_机器学习和信号处理如何融合？
信号处理深度学习机器学习 As a design engineer, I am increasingly exposed to more complex engineering challenges ...
深度学习机器学习基础_实用的机器学习基础
深度学习机器学习基础 This article describes my attempt at the Titanic Machine Learning competition on Kaggle. ...
计算机视觉面试宝典--深度学习机器学习基础篇（四）
计算机视觉面试宝典–深度学习机器学习基础篇(四) 本篇主要包含SVM支持向量机.K-Means均值以及机器学习相关常考内容等相关面试经验. SVM-支持向量机支持向量机(support vector ...
【NLP】相当全面：各种深度学习模型在文本分类任务上的应用
论文标题:Deep Learning Based Text Classification:A Comprehensive Review 论文链接:https://arxiv.org/pdf/2004. ...
信号处理深度学习机器学习_机器学习与信号处理
信号处理深度学习机器学习机器学习性能与两种关键信号处理算法(快速傅里叶变换和最小均方预测)的有趣对比. (A fun comparison of machine learning performan ...
深度学习机器学习面试问题准备（必会）
深度学习机器学习面试问题准备(必会) 第一部分:深度学习 1.神经网络基础问题 (1)Backpropagation(要能推倒) 后向传播是在求解损失函数L对参数w求导时候用到的方法,目的是通过链式 ...
[面试笔试整理1]：深度学习机器学习面试问题准备（必会）
此系列三篇文章的原文链接面试笔试整理1:深度学习机器学习面试问题准备(必会) 1.神经网络基础问题 (1)Backpropagation(要能推倒) 后向传播是在求解损失函数L对参数w求导时候用到的 ...
深度学习机器学习面试题——损失函数
深度学习机器学习面试题--损失函数提示:重要的深度学习机器学习面试题,大厂可能会在笔试面试中考说一下你了解的损失函数? 说说你平时都用过什么损失函数,各自什么特点? 交叉熵函数与最大似然函数的联系 ...

深度学习-机器学习(5.2支持向量机SVM上的Python应用)

深度学习-机器学习(5.2支持向量机SVM上的Python应用)相关推荐

最新文章

热门文章