Python에서 SVM 알고리즘을 작성하는 방법은 무엇입니까?-파이썬 튜토리얼-php.cn

Python에서 SVM 알고리즘을 작성하는 방법은 무엇입니까?

SVM 알고리즘을 Python으로 작성하는 방법은 무엇입니까?

SVM(Support Vector Machine)은 통계 학습 이론과 구조적 위험 최소화 원리를 기반으로 일반적으로 사용되는 분류 및 회귀 알고리즘입니다. 높은 정확도와 일반화 능력을 갖추고 있어 다양한 데이터 유형에 적합합니다. 이번 글에서는 Python을 사용하여 SVM 알고리즘을 작성하는 방법을 자세히 소개하고 구체적인 코드 예제를 제공하겠습니다.

Python 및 관련 라이브러리 설치
SVM 알고리즘 작성을 시작하기 전에 먼저 Python 및 관련 기계 학습 라이브러리가 설치되어 있는지 확인해야 합니다. Python의 통합 개발 환경으로 Anaconda를 사용하는 것이 좋습니다. Python 인터프리터가 함께 제공될 뿐만 아니라 일반적으로 사용되는 많은 과학 컴퓨팅 및 기계 학습 라이브러리도 포함되어 있습니다. 다음 명령을 사용하여 scikit-learn 라이브러리를 설치합니다.

pip install scikit-learn

로그인 후 복사

필요한 라이브러리 가져오기
scikit-learn, numpy 및 matplotlib를 포함하여 필요한 라이브러리를 가져옵니다.

import numpy as np import matplotlib.pyplot as plt from sklearn import svm, datasets

로그인 후 복사

데이터세트 로드
SVM 알고리즘 작성을 시연하기 위해 유명한 Iris 데이터세트를 사용하겠습니다. Iris 데이터 세트에는 150개의 붓꽃 샘플이 포함되어 있으며 각 샘플에는 4개의 특징이 있습니다. 우리는 데이터 세트를 붓꽃의 두 가지 품종인 Setosa와 Versicolor라는 두 가지 범주로 나누었습니다.

iris = datasets.load_iris() X = iris.data[:, :2] # 我们只使用前两个特征 y = iris.target

로그인 후 복사

모델 교육
SVM을 사용하여 모델을 교육합니다. 여기서는 선형 커널 함수를 사용합니다.

C = 1.0 # SVM正则化参数 svc = svm.SVC(kernel='linear', C=C).fit(X, y)

로그인 후 복사

결정 경계 그리기
SVM의 분류 효과를 더 잘 이해하기 위해 결정 경계를 그릴 수 있습니다. 먼저 전체 기능 공간을 샘플링하기 위해 그리드를 만듭니다.

x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 h = (x_max / x_min)/100 xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

로그인 후 복사

그런 다음 이 그리드를 입력 특성으로 사용하여 결정 경계를 예측하고 얻습니다.

Z = svc.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape)

로그인 후 복사

마지막으로 matplotlib 라이브러리를 사용하여 샘플 포인트와 결정 경계를 그립니다.

plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8) plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired) plt.xlabel('Sepal length') plt.ylabel('Sepal width') plt.xlim(xx.min(), xx.max()) plt.ylim(yy.min(), yy.max()) plt.xticks(()) plt.yticks(()) plt.show()

로그인 후 복사

전체 코드 예시

import numpy as np import matplotlib.pyplot as plt from sklearn import svm, datasets # 加载数据集 iris = datasets.load_iris() X = iris.data[:, :2] y = iris.target # 训练模型 C = 1.0 # SVM正则化参数 svc = svm.SVC(kernel='linear', C=C).fit(X, y) # 画出决策边界 x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 h = (x_max / x_min)/100 xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) Z = svc.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8) plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired) plt.xlabel('Sepal length') plt.ylabel('Sepal width') plt.xlim(xx.min(), xx.max()) plt.ylim(yy.min(), yy.max()) plt.xticks(()) plt.yticks(()) plt.show()

로그인 후 복사

요약:
위 단계를 통해 Python을 사용하여 SVM 알고리즘을 성공적으로 작성하고 Iris 데이터 세트를 통해 시연했습니다. 물론 이는 SVM 알고리즘의 단순한 적용일 뿐이며, 다양한 커널 기능 사용, 정규화 매개변수 C 조정 등 SVM을 확장하고 개선하는 방법은 많습니다. 이 글이 SVM 알고리즘을 배우고 이해하는 데 도움이 되기를 바랍니다.

위 내용은 Python에서 SVM 알고리즘을 작성하는 방법은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!