- 浏览: 499001 次
- 性别:
- 来自: 广州
文章分类
- 全部博客 (502)
- Java (70)
- Linux (10)
- 数据库 (38)
- 网络 (10)
- WEB (13)
- JSP (4)
- 互联网 (71)
- JavaScript (30)
- Spring MVC (19)
- HTML (13)
- CSS (3)
- AngularJS (18)
- Redis (5)
- Bootstrap CSS (1)
- ZooKeeper (4)
- kafka (6)
- 服务器缓存 (4)
- Storm (1)
- MongoDB (9)
- Spring boot (16)
- log4j (2)
- maven (3)
- nginx (5)
- Tomcat (2)
- Eclipse (4)
- Swagger (2)
- Netty (5)
- Dubbo (1)
- Docker (7)
- Hadoop (12)
- OAuth (1)
- webSocket (4)
- 服务器性能 (7)
- Session共享 (1)
- tieye修改 (1)
- 工作 (1)
- 有用的语录 (0)
- https (2)
- common (5)
- 产品开发管理 (1)
- CDN 工作原理 (1)
- APNS、GCM (1)
- 架构图 (3)
- 功能实现分析 (1)
- JMX (1)
- 服务器相关操作命令 (1)
- img02 (0)
- 服务器环境搭建 (9)
- goodMenuBook (1)
- CEInstantPot (0)
- 有用数据 (1)
- 百度地图WEB API (2)
- 正则表达式 (1)
- 样式例子 (2)
- staticRecipePressureCooker.zip (1)
- jCanvas (1)
- 网站攻击方法原理 (1)
- 架构设计 (3)
- 物联网相关 (3)
- 研发管理 (7)
- 技术需求点 (1)
- 计划 (1)
- spring cloud (11)
- 服务器开发的一些实用工具和方法 (1)
- 每天学到的技术点 (4)
- Guava (1)
- ERP 技术注意要点 (2)
- 微信小程序 (1)
- FineRepor (1)
- 收藏夹 (1)
- temp (5)
- 服务架构 (4)
- 任职资格方案 (0)
- osno_test (1)
- jquery相关 (3)
- mybatis (4)
- ueditor (1)
- VueJS (7)
- python (10)
- Spring EL (1)
- shiro (1)
- 前端开发原理与使用 (7)
- YARN (1)
- Spark (1)
- Hbase (2)
- Pig (2)
- 机器学习 (30)
- matplotlib (1)
- OpenCV (17)
- Hystrix (1)
- 公司 (1)
- miniui (4)
- 前端功能实现 (3)
- 前端插件 (1)
- 钉钉开发 (2)
- Jenkins (1)
- elasticSearch使用 (2)
- 技术规范 (4)
- 技术实现原理 (0)
最新评论
SVM 支持向量机(support vector machine)
https://blog.csdn.net/v_july_v/article/details/7624837
原理:就是找到一个超平面,将数据进行分类,
超平面
这是平面中的直线、空间中的平面之推广(n大于3才被称为“超”平面)
如果空间是3维的,那么它的超平面是二维平面,而如果空间是二维的,则其超平面是一维线。
sklearn提供了三种基于svm的分类方法:
sklearn.svm.NuSVC()
sklearn.svm.LinearSVC()
sklearn.svm.SVC()
https://blog.csdn.net/v_july_v/article/details/7624837
原理:就是找到一个超平面,将数据进行分类,
超平面
这是平面中的直线、空间中的平面之推广(n大于3才被称为“超”平面)
如果空间是3维的,那么它的超平面是二维平面,而如果空间是二维的,则其超平面是一维线。
sklearn提供了三种基于svm的分类方法:
sklearn.svm.NuSVC()
sklearn.svm.LinearSVC()
sklearn.svm.SVC()
# coding=utf-8 import pandas as pd import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn import datasets from sklearn import tree import numpy as np from sklearn.externals.six import StringIO import pydot from sklearn import svm from sklearn import datasets from sklearn.model_selection import train_test_split as ts def drawPoint(x,y,color,marker): plt.scatter(x, y, color=color, marker=marker) # #中心为0,四边为1 train = [[0, 0.0, 1], [0, 0.2, 1], [0, 0.5, 1], [0, 0.7, 1], [0, 0.9, 1], [0, 1.0, 1], [0, 1.2, 1], [0, 1.5, 1], [0, 1.7, 1], [0, 1.9, 1], [0, 2.0, 1], [0, 2.3, 1], [0, 2.5, 1], [0, 2.8, 1], [0, 3.0, 1], [0, 3.1, 1], [0, 3.5, 1], [0, 3.6, 1], [0, 3.7, 1], [0, 3.8, 1], # [0, 4.1, 1], [0, 4.3, 1], [0, 4.7, 1], [0, 4.8, 1], [0, 4.9, 1], [4, 0.0, 1], [4, 0.2, 1], [4, 0.5, 1], [4, 0.7, 1], [4, 0.9, 1], [4, 1.0, 1], [4, 1.2, 1], [4, 1.5, 1], [4, 1.7, 1], [4, 1.9, 1], [4, 2.0, 1], [4, 2.3, 1], [4, 2.5, 1], [4, 2.8, 1], [4, 3.0, 1], [4, 3.1, 1], [4, 3.5, 1], [4, 3.6, 1], [4, 3.7, 1], [4, 3.8, 1], # [4, 4.1, 1], [4, 4.3, 1], [4, 4.7, 1], [4, 4.8, 1], [4, 4.9, 1], [0.0, 4, 1], [0.2, 4, 1], [0.5, 4, 1], [0.7, 4, 1], [0.9, 4, 1], [1.0, 4, 1], [1.2, 4, 1], [1.5, 4, 1], [1.7, 4, 1], [1.9, 4, 1], [2.0, 4, 1], [2.3, 4, 1], [2.5, 4, 1], [2.8, 4, 1], [3.0, 4, 1], [3.1, 4, 1], [3.5, 4, 1], [3.6, 4, 1], [3.7, 4, 1], [3.8, 4, 1], # [4.1, 4, 1], [4.3, 4, 1], [4.7, 4, 1], [4.8, 4, 1], [4.9, 4, 1], [0.0, 0, 1], [0.2, 0, 1], [0.5, 0, 1], [0.7, 0, 1], [0.9, 0, 1], [1.0, 0, 1], [1.2, 0, 1], [1.5, 0, 1], [1.7, 0, 1], [1.9, 0, 1], [2.0, 0, 1], [2.3, 0, 1], [2.5, 0, 1], [2.8, 0, 1], [3.0, 0, 1], [3.1, 0, 1], [3.5, 0, 1], [3.6, 0, 1], [3.7, 0, 1], [3.8, 0, 1], # [4.1, 0, 1], [4.3, 0, 1], [4.7, 0, 1], [4.8, 0, 1], [4.9, 0, 1], [2, 1.0, 0], [2, 1.2, 0], [2, 1.5, 0], [2, 1.7, 0], [2, 1.9, 0], [2, 2.1, 0], [2, 2.3, 0], [2, 2.5, 0], [2, 2.7, 0], [2, 2.9, 0], [2.5, 1.0, 0], [2.5, 1.2, 0], [2.5, 1.5, 0], [2.5, 1.7, 0], [2.5, 1.9, 0], [2.5, 2.1, 0], [2.5, 2.3, 0], [2.5, 2.5, 0], [2.5, 2.7, 0], [2.5, 2.9, 0], [3, 1.0, 0], [3, 1.2, 0], [3, 1.5, 0], [3, 1.7, 0], [3, 1.9, 0], [3, 2.0, 0], [3, 2.2, 0], [3, 2.5, 0], [3, 2.7, 0], [3, 2.9, 0], ] trainData = np.array(train) # print(trainData) # trainX = trainData[:, 0] # trainY = trainData[:, 1] # trainZ = trainData[:, 2] trainX = trainData[:, 0:2] trainY = trainData[:, 2] # print(trainX) # print(trainY) #调用SVC() clf = svm.SVC() clf.fit(trainX,trainY) predict_y = clf.predict([[2.4,2.4],[2.3,1.3],[0.2,0.5],[3.7,3.5],[7,7]]) print(predict_y) #画图 drawX1 = np.linspace(0,4,100) drawY1 = np.linspace(0,4,100) drawX2,drawY2 = np.meshgrid(drawX1,drawY1) drawX3 = np.ravel(drawX2) drawY3 = np.ravel(drawY2) draw4 = np.c_[drawX3,drawY3] predict_drawZ1 = clf.predict(draw4) print(predict_drawZ1) drawX3_0 = drawX3[np.where(predict_drawZ1==0)] drawY3_0 = drawY3[np.where(predict_drawZ1==0)] drawX3_1 = drawX3[np.where(predict_drawZ1==1)] drawY3_1 = drawY3[np.where(predict_drawZ1==1)] drawPoint(drawX3_0, drawY3_0, 'r', '+') drawPoint(drawX3_1, drawY3_1, 'g', '+') #样本点 trainX2 = trainX[:,0] trainY2 = trainX[:,1] trainZ2 = trainData[:, 2] trainX2_0 = trainX2[np.where(trainZ2==0)] trainY2_0 = trainY2[np.where(trainZ2==0)] trainX2_1 = trainX2[np.where(trainZ2==1)] trainY2_1 = trainY2[np.where(trainZ2==1)] drawPoint(trainX2_0, trainY2_0, 'b', 'o') drawPoint(trainX2_1, trainY2_1, 'm', 'v') plt.show()
发表评论
-
Pandas 基础
2018-10-21 15:34 533Pandas 基础 Pandas处理 ... -
霍夫变换
2018-10-20 11:08 762霍夫变换 霍夫变换是一种特征检测(feature extra ... -
图像对比的方法和原理分析
2018-10-19 16:35 8687图像对比的方法和原理分析 https://blog.csdn ... -
识别手写数字 原理分析
2018-10-18 15:38 3456识别手写数字 原理分析 要识别0-9这10个数字 首先 ... -
Viola-Jones 人脸检测算法解析
2018-10-15 16:12 3224Viola-Jones 人脸检测算法解析 在计算机视觉领域中 ... -
灰度图像--形态学处理(腐蚀,膨胀,开、闭运算)
2018-10-12 17:31 8929灰度图像--形态学处理(腐蚀,膨胀,开、闭运算) http ... -
tesseract应用
2018-10-12 14:05 530tesseract应用 from PIL impo ... -
卷积神经网络(CNN)
2018-10-11 17:33 781卷积神经网络(CNN) CNN基本模块 CNN由输入和输出 ... -
python3光学字符识别模块tesserocr与pytesseract
2018-10-11 11:02 1516python3光学字符识别模块tesserocr与pytess ... -
LBP原理介绍以及算法实现(局部二值模式)
2018-10-10 17:54 2491LBP原理介绍以及算法实 ... -
sklearn 神经网络
2018-10-10 10:49 957sklearn 神经网络 https://blog.csdn ... -
神经网络学习 之 M-P模型
2018-10-09 16:58 2451神经网络学习 之 M-P模型 这种“阈值加权和”的神经元模 ... -
图片滤波
2018-10-09 11:37 786图片滤波,就是过滤去一些图片中的小点,或增强一些点,取决于滤波 ... -
灰度直方图均衡化与直方图规定化
2018-10-09 11:30 1199灰度直方图 灰度直方 ... -
图像的灰度化
2018-10-09 11:14 885图像的灰度化 而灰度图像是R、G、B三个分量相同的一种特殊的 ... -
决策树
2018-10-08 22:04 330决策树 树形模型是一个一个特征进行处理,之前线性模型是所有 ... -
人脸识别原理
2018-10-08 17:03 2086人脸识别原理 在检测 ... -
LDA降维和分类
2018-10-07 21:59 4192LDA降维和分类 LDA可以降维和分类 LinearD ... -
KNN 分类算法
2018-10-07 09:30 1905KNN 分类算法 KNN(K近邻) ... -
机器学习相关的库
2018-09-30 15:03 346机器学习相关的库 PIL:Python Imaging L ...
相关推荐
代码 基于SVM支持向量机算法的降水量预测模型代码代码 基于SVM支持向量机算法的降水量预测模型代码代码 基于SVM支持向量机算法的降水量预测模型代码代码 基于SVM支持向量机算法的降水量预测模型代码代码 基于SVM支持...
SVM支持向量机,预测分类 回归,支持向量机(Support Vector Machine,SVM)是Corinna Cortes和Vapnik等于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合...
SVM支持向量机模型的matlab源程序 SVM支持向量机模型的matlab源程序 SVM支持向量机模型的matlab源程序 SVM支持向量机模型的matlab源程序 SVM支持向量机模型的matlab源程序 SVM支持向量机模型的matlab源程序 ...
总结,Python中的SVM支持向量机算法设计与实现涉及了从理解SVM基本理论到运用Scikit-learn库构建模型的全过程。通过合理的参数设置和优化,SVM能够在各种复杂的分类问题中展现出高效性能,成为机器学习和人工智能...
使用python手动实现了SVM支持向量机,包括其中二次规划的求解(调用cvxopt包),实现了软间隔及核技术,以及对数据集及分类效果的可视化!建议配合我的SVM PPT一起学习SVM 不是直接调用sklearn的SVM!!
在提供的压缩包文件"svm支持向量机"中,很可能包含了MATLAB代码示例和用于训练的样例数据。通过查看这些文件,你可以更深入地了解如何在实际操作中实现和支持向量机的训练。同时,这些代码也可以帮助你理解和掌握SVM...
基于GAN生成对抗网络结合SVM支持向量机的数据生成(Matlab完整程序和数据) 基于GAN生成对抗网络结合SVM支持向量机的数据生成(Matlab完整程序和数据) 基于GAN生成对抗网络结合SVM支持向量机的数据生成(Matlab完整...
支持向量机(Support Vector Machine,简称SVM)是一种广泛应用的监督学习算法,尤其在分类和回归任务中表现出色。在本项目中,SVM被用于建立一个降水量预测模型,通过对历史数据的学习,预测未来的降水量。SVM的...
支持向量机matlab实例及理论,详细介绍了svm理论以及MATLAB自带的SVM分类用法
SVM支持向量机故障诊断/分类预测(Matlab完整源码) 数据为西储大学轴承诊断数据经过特征提取后的数据。运行环境Matlab2023 SVM支持向量机故障诊断/分类预测(Matlab完整源码) 数据为西储大学轴承诊断数据经过特征...
SVM学习问题可以表示为凸优化问题,因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法(如基于规则的分类器和人工神经网络)都采用一种基于贪心学习的策略...SVM支持向量机,好东西啊,大家好好学习
总的来说,使用Java实现SVM支持向量机算法涉及多个步骤,包括理解SVM的数学基础,实现优化算法,处理数据,选择和实现核函数,以及参数调优和模型评估。"svm-optimization-master"这个项目很可能是对SVM优化部分的...
【图像识别】基于svm支持向量机算法表情识别matlab源码.md
总之,SVM支持向量机是一种强大的机器学习算法,尤其在处理小样本和高维数据时有很好的表现。通过MATLAB,我们可以直观地理解和实践SVM的原理,实现有效的分类器设计。对于模式识别任务,SVM能够提供优秀的分类效果...
"SVM支持向量机PPT" 支持向量机(Support Vector Machines,SVM)是一种基于统计学理论的通用学习方法,由 Vapnik 等人提出。它建立在统计学理论的 VC 维理论和结构风险最小原理基础上,能较好地解决小样本、非线性...
MATLAB实现SVM支持向量机多输入回归预测(完整源码和数据) 数据为多输入回归数据,输入7个特征,输出1个变量,程序乱码是由于版本不一致导致,可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。
支持向量机(Support Vector Machine,简称SVM)是一种强大的监督学习算法,广泛应用于分类和回归任务,包括降水量预测。在这个压缩包中,我们很可能找到了一个使用SVM实现的降雨量预测模型的源代码。SVM的核心思想...
在这个“SVM支持向量机分类鸢尾花数据集iris及代码”中,我们将深入探讨如何利用SVM对鸢尾花数据集进行分类,并分析其中涉及的关键概念和技术。 首先,鸢尾花数据集(Iris dataset)是机器学习领域的一个经典多类...
在"标题"中提到的"SVM支持向量机minst数据集预测",指的是使用SVM算法对MNIST数据集进行手写数字识别的训练和预测任务。 MNIST数据集是机器学习领域的一个经典数据集,包含了60,000个训练样本和10,000个测试样本,...