Scikit Learn SVM简介及实现例子

迪鲁宾
409 阅读5分钟

Scikit Learn SVM

Scikit Learn SVM简介

下面的文章提供了一个Scikit Learn SVM的概要。SVM不过是机器学习的一套监督学习算法，基本上用于回归、分类和检测。SVM支持学习方法，用于高维空间，当我们有几个维度比样本的大小更重要时，我们可以使用它。当我们需要比其他分类器或逻辑回归更高的预测精度时，我们可以在scikit中使用SVM。

支持向量机（SVM）是稳健但适应性强的管理型人工智能技术，用于订单、复发和异常识别。SVM在高分层空间中非常有效，而且大体上被用于特征描述问题。SVMs是众所周知的，并具有记忆影响力，因为它们在选择能力中使用了一个准备重点的子集。

SVM的基本目标是将数据集划分为几个类别，以找到最极端的外围超平面（MMH），这在伴随的两个阶段应该是可能的：

  • 支持向量机最初会迭代地创建超平面，最有效地隔离类。
  • 之后，它将挑选出能准确分离类型的超平面。

支持向量机的几个重要想法如下：

  • 支持向量： 它们可能是最接近超平面的数据点。支持向量有助于选择带涂层的隔离。
  • 超平面： 选择平面或空间，将一组具有不同类别的项目分割开来。
  • 边缘： 多个类别的感兴趣的储藏室数据上的两条线之间的洞被称为边缘。

如何使用Scikit Learn SVM？

让我们看看我们如何在Scikit中使用SVM，如下。 为了实施，我们需要遵循以下不同的步骤。 首先，我们需要导入所有需要的库，如下所示。

代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

在下一步，我们需要导入一个所需的数据集；如果我们已经下载了它，那么我们需要根据我们的要求下载它。

让我们假设我们已经下载了数据集，所以我们需要使用下面的代码。

代码

sampledata= pd.read_csv(“required file path”)

现在我们需要编写数据分析的代码。在各种python库的帮助下，有不同的方法来分析数据集。为了简化，在这里，我们可以只检查前几条记录的数据尺寸，并进行分析。

代码

sampledata.shape

如果我们想看到实际的数据，那么我们需要使用下面的命令，如下所示。

代码

sampledata.head()

现在一切都好了，我们需要处理数据，所以我们需要将数据分为不同的属性和标签，以创建训练有素的数据集。

所以为了区分数据，我们需要使用下面的代码，如下所示。

代码

X = sampledata.drop(‘Class’, axis =1)
Y = sampledata[‘Class’]

当信息被划分为特征和名称时，最后一个预处理步骤是将数据分成准备集和测试集。幸运的是，Scikit-Learn库的model_selection库包含training_test_split技术，允许我们将信息完美地隔离成准备集和测试集。我们需要训练算法，使其在训练数据上使用SVM。Scikit-Learn包含SVM库，其中包括用于各种SVM计算的工作类。由于我们将进行分组任务，我们将利用帮助向量分类器类，由Scikit-Learn的SVM库中的SVM组成。

现在一切都好了，我们需要进行预测，所以应用SVC的预测方法，如下图所示，代码如下。

代码

prediction = svclassifier.predict(test_data)

现在让我们看看如何评估算法，所以我们可以使用混淆矩阵，和精度这些最常用的评估技术。

所以我们可以使用下面的代码，如下。

代码

from sklearn.metrics import classification_report, confusion_matrix
print()confusion matrix(tes_date, prediction)

最后，我们可以看到结果。

Scikit Learn分类的SVM

SVM支持以下不同类型的分类：

  • LinearSVC: 基本上，它是线性支持向量分类。它提供了两个选项，如损失函数和惩罚措施。通常，LinearSVC用于处理大量的数据。
  • NuSVC： 这只不过是Nu支持向量分类。它被用来进行多类分类；NuSVC的工作性质与SVC相同。
  • SVC： 它是一种基于C的支持向量分类，支持多类支持和使用的一对一机制。

SVM的分类，可以在我们的数据库上进行二类和多类的分类，如下面的截图所示。

Scikit Learn SVM 1

SVC和NuSVC是比较的策略；然而，它们承认各种边界的安排，并有不同的数字计划（见分段数学定义）。然后，LinearSVC是支持向量分类的另一种（更快）执行方式，适用于直件的实例。

以及它需要以下不同的参数：

  • C： 这是用来显示误差的。
  • kernel（内核）： 这是用来指定内核的类型。
  • 程度： 它显示聚核函数的程度。
  • gamma： 伽玛只不过是内核的系数。
  • coef0： 这个独立参数只与poly和sigmoid核类型有关。

SVM还有许多其他参数，我们可以根据分类算法的要求来使用。

Scikit Learn SVM的例子

下面是SVM的例子，不同的分类方法如下。

代码

import numpy as num
x_var = num.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
y_var = num.array([1, 1, 2, 2])
from sklearn.svm import SVC
SVCClf_data = SVC(kernel = 'linear',gamma = 'scale', shrinking = False,)
SVCClf_data.fit(x_var, y_var)

解释

  • 在上面的例子中，我们试图实现SVC分类，其结果显示在下面的截图中。

输出

Scikit Learn SVM 2

结论

在这篇文章中，我们试图探索Scikit Learn SVM。在这篇文章中，我们看到了Scikit Learn SVM的基本思想以及这些Scikit Learn SVM的用途和特点。报告的另一个要点是我们如何看到Scikit Learn SVM的基本实现。

avatar
文章
阅读
粉丝