当前位置：首页 > news >正文

软件公司网站系统集成建设建站平台绑定域名

news 2025/11/7 15:48:04

软件公司网站系统集成建设,建站平台绑定域名,网站页脚的制作,手机购买网站源码引言： 在正文开始之前，首先给大家介绍一个不错的人工智能学习教程：https://www.captainbed.cn/bbs。其中包含了机器学习、深度学习、强化学习等系列教程，感兴趣的读者可以自行查阅。 1. 算法介绍支持向量机(Support Vector Mach…

引言：
在正文开始之前，首先给大家介绍一个不错的人工智能学习教程：https://www.captainbed.cn/bbs。其中包含了机器学习、深度学习、强化学习等系列教程，感兴趣的读者可以自行查阅。

1. 算法介绍

支持向量机(Support Vector Machine, SVM) 是一种强大的监督学习算法,广泛应用于分类和回归问题。SVM的主要目标是找到一个最优的超平面,将不同类别的数据点分开,同时最大化类别之间的间隔。

SVM的主要特点包括:

高效处理高维数据
通过核技巧处理非线性问题
泛化能力强
对异常点具有鲁棒性

2. 算法原理

2.1 线性可分情况

对于线性可分的数据,SVM试图找到一个最优的超平面,使得:

正确分类所有训练样本
最大化分类间隔(即支持向量到超平面的距离)

数学表达式如下:

最大化: $\frac{2}{||w||}$
约束条件: $y_i(w^Tx_i + b) \geq 1, i=1,2,...,n$

其中, $w$ 是超平面的法向量, $b$ 是偏置项, $x_i$ 是输入样本, $y_i$ 是类别标签。

2.2 非线性情况

对于非线性可分的数据,SVM使用核技巧将原始特征空间映射到高维空间,在高维空间中寻找线性分类边界。常用的核函数包括:

多项式核: $K(x_i, x_j) = (x_i^T x_j + c)^d$
高斯核(RBF): $K(x_i, x_j) = exp(-\gamma ||x_i - x_j||^2)$
Sigmoid核: $K(x_i, x_j) = tanh(ax_i^T x_j + r)$

3. 案例分析: 鸢尾花分类

我们将使用著名的鸢尾花(Iris)数据集来演示SVM的应用。

我们使用了鸢尾花数据集中的花瓣长度和宽度作为特征,训练一个SVM分类器来区分三种不同的鸢尾花品种。我们使用RBF核函数,并通过可视化展示SVM的决策边界。

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets, svm
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_curve, auc
from sklearn.preprocessing import label_binarize
from itertools import cycle# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题# 加载数据
iris = datasets.load_iris()
X = iris.data[:, [0, 1]]  # 只使用花瓣长度和宽度
y = iris.target# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 创建SVM分类器
svm_classifier = svm.SVC(kernel='rbf', C=1.0, gamma='scale', probability=True)# 训练模型
svm_classifier.fit(X_train, y_train)# 预测
y_pred = svm_classifier.predict(X_test)# 计算准确率
accuracy = np.mean(y_pred == y_test)
print(f"准确率: {accuracy:.2f}")# 可视化决策边界
def plot_decision_boundary(X, y, model, ax=None):if ax is None:ax = plt.gca()x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, 0.02),np.arange(x2_min, x2_max, 0.02))Z = model.predict(np.c_[xx1.ravel(), xx2.ravel()])Z = Z.reshape(xx1.shape)ax.contourf(xx1, xx2, Z, alpha=0.4)ax.scatter(X[:, 0], X[:, 1], c=y, alpha=0.8)ax.set_xlabel('花瓣长度')ax.set_ylabel('花瓣宽度')return axplt.figure(figsize=(10, 8))
plot_decision_boundary(X, y, svm_classifier)
plt.title('SVM分类结果 - 鸢尾花数据集')
plt.show()

运行代码得到分类的准确率为0.8。
绘制分类结果如下：

接下来绘制分类的ROC曲线：

# 绘制ROC曲线
y_test_bin = label_binarize(y_test, classes=[0, 1, 2])
y_score = svm_classifier.predict_proba(X_test)fpr = dict()
tpr = dict()
roc_auc = dict()
n_classes = 3for i in range(n_classes):fpr[i], tpr[i], _ = roc_curve(y_test_bin[:, i], y_score[:, i])roc_auc[i] = auc(fpr[i], tpr[i])plt.figure(figsize=(10, 8))
colors = cycle(['blue', 'red', 'green'])
for i, color in zip(range(n_classes), colors):plt.plot(fpr[i], tpr[i], color=color, lw=2,label='ROC曲线 (类别 {0}) (AUC = {1:0.2f})'''.format(i, roc_auc[i]))plt.plot([0, 1], [0, 1], 'k--', lw=2)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('假正例率')
plt.ylabel('真正例率')
plt.title('多类别ROC曲线')
plt.legend(loc="lower right")
plt.show()