小网站搜什么关键词,西安政务服务网,百度图片识别搜索,网片钢筋1.线性支持向量机
1.1数学模型 机器学习最终都是求解目标函数的最优问题#xff1b; 一般都是讲问题转化为最小值来求解。 数学模型获得是一个不等式约束的最小化问题#xff0c;求解时可通过构建拉格朗日函数求解。 1.2 拉格朗日函数及对偶问题求解 1.3 SMO算法求解
SMO算…
1.线性支持向量机
1.1数学模型 机器学习最终都是求解目标函数的最优问题 一般都是讲问题转化为最小值来求解。 数学模型获得是一个不等式约束的最小化问题求解时可通过构建拉格朗日函数求解。 1.2 拉格朗日函数及对偶问题求解 1.3 SMO算法求解
SMO算法参考https://zhuanlan.zhihu.com/p/29212107
KKT条件参考https://zhuanlan.zhihu.com/p/5568321032.带松弛因子的SVM——软间隔 3.非线性支持向量机 4.Python代码
4.1 SVM常见的几种模型
1.SVC分类问题 2.SVR回归问题 3.LinearSVC 4.LinearSVR 5…其他等等
4.1数据集介绍 Iris.data中有5个属性包括4个预测属性萼片长度、萼片宽度、花瓣长度、花瓣宽度和1个类别属性Iris-setosa、Iris-versicolor、Iris-virginica三种类别。首先需要将第五列类别信息转换为数字再选择输入数据和标签。
from sklearn import datasets #导入数据集模块
from sklearn.model_selection import train_test_split #数据集划分
from sklearn import svm #导入SVM支持向量机
from sklearn.metrics import classification_report #用于显示主要分类指标的文本报告
import sklearn.metrics as sm #生成混淆矩阵的库
import seaborn as sn #混淆矩阵可视化的库
import matplotlib.pyplot as plt #画图
#--------------------------------1.加载数据集---------------------------------#
iris datasets.load_iris()#加载鸢尾花数据集
print(iris)
X iris.data #输入特征
Y iris.target #标签输出特征
print(X)
print(----------------)
print(Y)
print(----------------)
print(鸢尾花输入特征的维度是{}.format(X.shape))
print(鸢尾花标签的维度是{}.format(Y.shape))#--------------------------------2.划分数据集---------------------------------#
X_train, X_test, Y_train, Y_test train_test_split(X, Y, test_size0.2, random_state45) # 数据划分
#--------------------------------3.模型训练---------------------------------#
clas svm.SVC()#选择分类器
clas.fit(X_train,Y_train)#训练
#--------------------------------4.模型预测---------------------------------#
Y_preclas.predict(X_test)#预测测试集#--------------------------------5.性能评估---------------------------------#
m sm.confusion_matrix(Y_test, Y_pre) #生成混淆矩阵
print(混淆矩阵为, m, sep\n)
ax sn.heatmap(m,annotTrue,fmt.20g)
ax.set_title(confusion matrix)
ax.set_xlabel(predict)
ax.set_ylabel(true)
plt.show() #混淆矩阵可视化
print(测试集准确率%s%clas.score(X_test,Y_test)) #输出测试集准确度
print(分析报告:,classification_report(Y_test,Y_pre))#生成分类报告
参考https://blog.csdn.net/weixin_45450828/article/details/133923250?spm1001.2101.3001.6650.2utm_mediumdistribute.pc_relevant.none-task-blog-2%7Edefault%7EYuanLiJiHua%7EPosition-2-133923250-blog-132173815.235%5Ev38%5Epc_relevant_sort_base1depth_1-utm_sourcedistribute.pc_relevant.none-task-blog-2%7Edefault%7EYuanLiJiHua%7EPosition-2-133923250-blog-132173815.235%5Ev38%5Epc_relevant_sort_base1utm_relevant_index5
