不同的SVM分类器
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
def make_meshgrid(x, y, h=.02):
"""创建要绘制的点网格
参数
----------
x: 创建网格x轴所需要的数据
y: 创建网格y轴所需要的数据
h: 网格大小的可选大小，可选填
返回
-------
xx, yy : n维数组
"""
x_min, x_max = x.min() - 1, x.max() + 1
y_min, y_max = y.min() - 1, y.max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
np.arange(y_min, y_max, h))
return xx, yy
def plot_contours(ax, clf, xx, yy, **params):
"""绘制分类器的决策边界。
参数
----------
ax: matplotlib子图对象
clf: 一个分类器
xx: 网状网格meshgrid的n维数组
yy: 网状网格meshgrid的n维数组
params: 传递给contourf的参数字典，可选填
"""
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
out = ax.contourf(xx, yy, Z, **params)
return out
# 导入数据以便后续使用
iris = datasets.load_iris()
# 采用前两个特征。我们可以通过使用二维数据集来避免使用切片。
X = iris.data[:, :2]
y = iris.target
# 我们创建一个SVM实例并拟合数据。由于要绘制支持向量，因此我们不缩放数据
C = 1.0 # SVM正则化参数
models = (svm.SVC(kernel='linear', C=C),
svm.LinearSVC(C=C, max_iter=10000),
svm.SVC(kernel='rbf', gamma=0.7, C=C),
svm.SVC(kernel='poly', degree=3, gamma='auto', C=C))
models = (clf.fit(X, y) for clf in models)
# 为图像设置标题
titles = ('线性核SVC',
'线性SVC（线性核）',
'基于RBF核的SVC',
'3次多项式核的SVC')
# 设置一个2x2结构的画布
fig, sub = plt.subplots(2, 2)
plt.subplots_adjust(wspace=0.4, hspace=0.4)
X0, X1 = X[:, 0], X[:, 1]
xx, yy = make_meshgrid(X0, X1)
for clf, title, ax in zip(models, titles, sub.flatten()):
plot_contours(ax, clf, xx, yy,
cmap=plt.cm.coolwarm, alpha=0.8)
ax.scatter(X0, X1, c=y, cmap=plt.cm.coolwarm, s=20, edgecolors='k')
ax.set_xlim(xx.min(), xx.max())
ax.set_ylim(yy.min(), yy.max())
ax.set_xlabel('Sepal length')
ax.set_ylabel('Sepal width')
ax.set_xticks(())
ax.set_yticks(())
ax.set_title(title)
plt.show()
