找到SVM分类器的支持向量(scikit-learn)
2018-02-17 18:49
766 查看
0.库的导入
# 导入库 from sklearn.svm import SVC from sklearn import datasets from sklearn.preprocessing import StandardScaler import numpy as np
1.加载Iris Flower 数据集
#Iris Flower 数据集有三个类别,这里只加载两个类别 iris = datasets.load_iris() X = iris.data[:100,:] y = iris.target[:100]
2.特征标准化
# 特征标准化 scaler = StandardScaler() X_std = scaler.fit_transform(X)
3.训练支持向量分类器
# 创建支持向量分类器对象 svc = SVC(kernel='linear', random_state=0) # 训练分类器 model = svc.fit(X_std, y)
4.查看支持向量
# 查看支持向量的值 model.support_vectors_
array([[-0.5810659 , 0.43490123, -0.80621461, -0.50581312], [-1.52079513, -1.67626978, -1.08374115, -0.8607697 ], [-0.89430898, -1.46515268, 0.30389157, 0.38157832], [-0.5810659 , -1.25403558, 0.09574666, 0.55905661]])
5.查看支持向量的索引值
# 查看支持向量在所有数据点中的索引值 model.support_
array([23, 41, 57, 98])
6.查看每个类别的支持向量的个数
# 查看每个类别有几个支持向量,这里可以看到每个类别各有两个支持向量 model.n_support_
array([2, 2])
7.说明
翻译自Chris Albon的博客原文地址
相关文章推荐
- 支持向量分类器的scikit-learn 实现(Support Vector Classifier)
- SVM分类器的概率校准在scikit-learn 中的几种实现方式
- SVM支持向量分类器原理及OpenCV实现
- SVM详解(包含它的参数C为什么影响着分类器行为)-scikit-learn拟合线性和非线性的SVM
- 支持向量SVM分类器的学习记录
- SVM-支持向量机
- 用Python的scikit-learn实现支持向量机SVM
- 用scikit-learn和jieba支持中文文本特征提取和分类的测例
- 机器学习_scikit-learn中的SVM
- 林轩田--机器学习技法--SVM笔记6--支持向量回归(Support+Vector+Regression)
- LSSVM(Least Squares SVM)与SVR(支持向量回归)
- scikit-learn SVM使用和学习
- Python学习笔记——scikitlearn SVM
- 支持向量机(SVM)、支持向量回归(SVR)
- Scikit-learn中使用SVM对文本进行分类
- 机器学习概念总结笔记(二)——逻辑回归、贝叶斯分类、支持向量分类SVM、分类决策树ID3、
- scikit-learn:0.3. 从文本文件中提取特征(tf、tf-idf)、训练一个分类器
- [置顶] Scikit-learn实战之SVM回归分析、密度估计、异常点检测
- 【scikit-learn】评估分类器性能的度量,像混淆矩阵、ROC、AUC等
- Python scikit-learn 模块的SVM方法介绍