機器學習 SVM sklearn

**：

importnumpyasnp

fromsklearnimportsvm
importmatplotlib.pyplotasplt

n = 

50

np.random.seed(

0)

x = np.sort(np.random.uniform(0, 6, n), axis=0)

y = 2*np.sin(x) + 0.1*np.random.randn(n)
x = x.reshape(-1, 1)

svr_rbf = svm.svr(kernel='rbf', gamma=0.2, c=100)

'''c和gamma找到最優方式如下model = svm.svr(kernel='rbf')c_can = np.logspace(-2, 2, 10)gamma_can = np.logspace(-2, 2, 10)svr = gridsearchcv(model, param_grid=, cv=5)svr.fit(x, y)print '驗證引數：\n', svr.best_params_'''

x_test = np.linspace(x.min(), 1.5*x.max(), 100).reshape(-1, 1)

y_rbf = svr_rbf.predict(x_test)
y_linear = svr_linear.predict(x_test)
y_poly = svr_poly.predict(x_test)

matplotlib.rcparams['font.sans-serif'] = [u'simhei']

matplotlib.rcparams['axes.unicode_minus'] = false
plt.figure(figsize=(9, 8), facecolor='w')#可選 建立繪圖物件9寬8高
plt.plot(x_test, y_rbf,'r-', linewidth=1, label='rbf kernel')#支援顏色bgrcmykw
plt.plot(x_test, y_linear,'g-', linewidth=2, label='linear kernel')#支援線型-|--|-.|:|.|,|o|v|^|<|>|等
plt.plot(x_test, y_poly,'b-', linewidth=2, label='polynomial kernel')
plt.plot(x, y,'mo', markersize=6)
#散點圖與plot使用型別
plt.scatter(x[svr_rbf.support_], y[svr_rbf.support_], s=130, c='r', marker='*', label='rbf support vectors')
plt.legend(loc='lower left')#顯示圖示
plt.title(u'回歸svr', fontsize=16)
plt.xlabel('x')
plt.ylabel('y')
plt.grid(true)
plt.show()

**：

importnumpyasnp

fromsklearnimportsvm
importmatplotlibasmpl
importmatplotlib.colors
importmatplotlib.pyplotasplt

# 分類器

clfs = [svm.svc(c=0.3, kernel='linear'),
svm.svc(c=10, kernel='linear'),
svm.svc(c=5, kernel='rbf', gamma=1),
svm.svc(c=5, kernel='rbf', gamma=4)]

fori, clfinenumerate(clfs):

clf.fit(x, y)
y_hat = clf.predict(x)

print'支撐向量的數目：', clf.n_support_

print'支撐向量的係數：', clf.dual_coef_

print'支撐向量：', clf.

support_

機器學習 初識機器學習

1.什麼是機器學習？對於機器學習到現在都還沒有統一的定義，但是，通過乙個例子和較權威的定義來理解機器學習，最後附上我個人對機器學習的理解 2.監督學習 1 監督學習基本思想 我們資料集中的每個樣本都有相應的 正確答案 即每個樣本都是真實值，再根據這些樣本作出 舉乙個房價預售的例子來說明 eg 下面圖...

機器學習 機器學習目錄

注 後期有時間的話會對每乙個演算法進行講解。1 普通線性回歸 2 廣義線性模型 3 邏輯回歸 4 線性判定分析1 決策樹基本原理與構建 2 cart演算法 3 回歸決策樹 4 分類決策樹1 貝葉斯定理與樸素貝葉斯 2 高斯貝葉斯分類器 3 多項式貝葉斯分類器 4 伯努利貝葉斯分類器 5 遞增式學習1...

機器學習一 機器學習概要

回歸 是指把實函式在樣本點附近加以近似的有監督的模式識別問題。對乙個或多個自變數和因變數之間關係進行建模，求解的一種統計方法。分類 是指對於指定的模式進行識別的有監督的模式識別問題。異常檢測 是指尋找輸入樣本ni 1i 1 n中所包含的異常資料的問題。常採用密度估計的方法 正常資料為靠近密度中心的資...