admin管理员组

文章数量:1130349

创作不易觉得有帮助请点赞关注收藏~~~

很多问题使用线性SVM分类器就能有效处理，但实际上也存在很多非线性问题，数据集无法进行线性划分，处理非线性数据集的方法之一是添加更多特征，比如多项式，添加新特征后，数据集维度更高，能够形成一个划分超平面。

下面使用SVC(SVM中的分类算法)处理K-means聚类无法解决的半环形moons数据集的分类问题

Piplline（）函数能够对三个函数模块进行封装，将前一个函数的结果传递个下一个函数，

结果可视化如下

可以看出 SVC模型可以将半环形数据集进行准确的划分，从而解决了K-means中仅仅依靠距离进行分类的局限性，因此，对于非线性问题来说，SVM提供了崭新的思路和良好的解决方案！ 

源代码如下

import  numpy as np
import  matplotlib.pyplot as plt
from sklearn.datasets import  make_moons
from sklearn.preprocessing import  PolynomialFeatures
from sklearn.preprocessing import  StandardScaler
from sklearn.svm import  LinearSVC
from  sklearn.pipeline import Pipeline
x,y=make_moons(n_samples=100,noise=0.1,random_st

创作不易觉得有帮助请点赞关注收藏~~~

很多问题使用线性SVM分类器就能有效处理，但实际上也存在很多非线性问题，数据集无法进行线性划分，处理非线性数据集的方法之一是添加更多特征，比如多项式，添加新特征后，数据集维度更高，能够形成一个划分超平面。

下面使用SVC(SVM中的分类算法)处理K-means聚类无法解决的半环形moons数据集的分类问题

Piplline（）函数能够对三个函数模块进行封装，将前一个函数的结果传递个下一个函数，

结果可视化如下

可以看出 SVC模型可以将半环形数据集进行准确的划分，从而解决了K-means中仅仅依靠距离进行分类的局限性，因此，对于非线性问题来说，SVM提供了崭新的思路和良好的解决方案！ 

源代码如下

import  numpy as np
import  matplotlib.pyplot as plt
from sklearn.datasets import  make_moons
from sklearn.preprocessing import  PolynomialFeatures
from sklearn.preprocessing import  StandardScaler
from sklearn.svm import  LinearSVC
from  sklearn.pipeline import Pipeline
x,y=make_moons(n_samples=100,noise=0.1,random_st

本文标签： 向量pythonSVM

版权声明：本文标题：python使用SVM(支持向量机)解决非线性分类问题 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://it.en369.cn/jiaocheng/1754940919a2744275.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。