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 ...
最新文章
- 垃圾回收 内存管理 python
- mysql 导入导出摘要
- pytorch处理多维输入的问题
- ie内核浏览器_[正式版下载] 微软全新 Chrome 内核 Edge 浏览器!原生支持 Chrome 插件扩展...
- Hash冲突的解决--暴雪的Hash算法
- coreseek mysql.sock_Coreseek + Sphinx + Mysql + PHP构建中文检索引擎
- 铠侠 RC10 固态硬盘寿命暴力写入测试:1100pe 毫发无损
- 使用Asp.net MVC源代码调试你的应用程序
- 聚类算法-密度聚类算法DBSCAN
- 淘客发单机器人wztools_在淘客的迷茫中,拼多多给了我一丝光明
- java语言有什么特点?
- 中级软件设计师考试(软考中级)设计模式分类及其典型特点
- 关于计算机组装与维护的论文,计算机组装与维护论文范文
- 批量给 Word、Excel、PPT 和 PDF 设置文件保护打开密码和只读密码
- 数学游戏“数三角形”的可编程图论模型
- Laravel重写或者覆盖vender下面的方法
- 关于纯前端excel上传、下载功能
- CodeForces 1144D -Equalize Them All
- 最全的计算机会议排名
- Unity - Timeline 之 Panning and zooming the Clips view(移动与缩放Clip剪辑视图)
热门文章
- 《数据结构与算法》课程设计任务书——赫夫曼编码/译码器
- ACM/OI中C++常用优化(实用/调试/技巧)代码(语法)
- 离散数学实验题目-集合
- 多边形面积(Area_Of_Polygons)
- FreeMarker四种变量的用法
- Python实训day13am【Python网络爬虫综合大作业PPT】
- php的declare命令
- Android github 快速实现多人协作
- android 回调函数一:基本概念
- iOS应用签名原理--数字签名?代码签名?双层代码签名?