Python sklearn SVM 超平面可视化

最新推荐文章于 2025-05-29 09:04:45 发布

ZXYhappiness

最新推荐文章于 2025-05-29 09:04:45 发布

阅读量5.5k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Python 经验

本文链接：https://blog.csdn.net/ZXYhappiness/article/details/103812040

本文详细探讨了如何使用Python的sklearn库实现支持向量机（SVM）并可视化超平面。通过实例代码，展示了SVM在二维数据上的分类过程，解释了超平面如何作为不同类别之间的决策边界，并讨论了核函数在处理非线性问题中的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from sklearn import svm
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import load_iris
import numpy as np
import random
import numpy.random as rand

rand.seed(10)

# 读取鸢尾花数据集，并存储在变量iris中。
iris_data = load_iris()

""" 可视化 """
num_samples, num_features = iris_data['data'].shape
num_classes = 2
# 特征名称
feature_names = ['sepal length',
                 'sepal width', 'petal length', 'petal width']

# # features times features
# fig, ax = plt.subplots(num_features, num_features, figsize=(16, 16))
markers = '+o^'


# print(iris_data['data'][50:150])
# print(iris_data['target'][50:150])

feature_idx_1 = 2
feature_idx_2 = 3

type_1 = 0

nn = rand.permutation(100)
nn = [i + 50*type_1 for i in nn]
# print(nn)

""" 生成随机排列 """
train_idx = nn[0:90]
test_idx = nn[90:100]
print(train_idx)
print(test_idx)

""" 注意，这是Numpy Matrix的索引

print(type(iris_data['data']))
<class 'numpy.ndarray'>

iris_data['data']如下
[[5.1 3.5 1.4 0.2