本文主要是介绍sklearn光速入门实践[1]——实现一个简单的SVM分类器，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
python的sklearn库封装了许多常用的机器学习算法，而且入门简单，调用方便。下面我们用sklearn库和简单的几个点作为数据集，来实现一个简单的SVM分类器。
首先，准备好数据。我们把（2,0），（0,2），（0,0）这三个点当作类别1；（3,0），（0,3），（3,3）这三个点当作类别2，训练好SVM分类器之后，我们预测（-1，-1），（4，4）这两个点所属的类别。示意图如下：
1、组装数据集。
在组装数据集的时候，这里最重要的就是要注意数据的组合格式。data中每行元素作为一个样本，各列分别是该样本的各个属性，比如上边的几个点，封装成如下格式：x = np.array([[2,0],[0,2],[0,0],[3,0],[0,3],[3,3]]) 。label排成一行，与data中的数据相对应即可：y = np.array([1,1,1,2,2,2])
【注】：这里利用Pandas进行封装也可以。
import pandas as pd
data = np.array([[2,0,1],[0,2,1],[0,0,1],[3,0,2],[0,3,2],[3,3,2]])
data = pd.DataFrame(data,column = [0,1,2])
x = data[[0,1]]
y = data[2]
2、设置SVM分类器的属性
model = SVC(kernel='linear', probability=True)
当probability=False时，没办法调用 model.predict_proba()函数
可选的属性列表：
- 待完善1
- 待完善2
3、执行SVM分类器
model.fit(x,y)
4、预测
pre = model.predict_proba(C)
最后，附完整代码如下：
from sklearn.svm import SVC
import numpy as np
x = np.array([[2,0],[0,2],[0,0],[3,0],[0,3],[3,3]])
y = np.array([1,1,1,2,2,2])
model = SVC(kernel='linear', probability=True)#probability=False时，没办法调用 model.predict_proba()函数
model.fit(data,label)
C = [[-1,-1],[4,4]]
pre = model.predict_proba(C)
print(pre)
pre1 = model.predict(C)
print(pre1)
结果如下：
[[0.62507004 0.37492996][0.33332917 0.66667083]]
[1 2]
可以看到，预测（-1，-1）的标签是1的概率为0.62507004，2的概率为0.37492996。最终预测为类别1。
预测（4,4）的标签是1的概率为0.33332917，2的概率为0.66667083。最终预测为类别2。这个结果与我们在图中直观看到的结果相符。
官方文档地址：sklearn.svm.SVC
这篇关于sklearn光速入门实践[1]——实现一个简单的SVM分类器的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
