Python机器学习基础教程

76

｜

第

2

章

数据点之间的距离由高斯核给出：

k

rbf

(

x

1

,

x

2

) = exp (

-

γ

‖

x

1

-

x

2

‖

2

)

这里

x

1

和

x

2

是数据点，

‖

x

1

-

x

2

‖

表示欧氏距离，

γ

（

gamma

）是控制高斯核宽度的参数。

图

2-41

是支持向量机对一个二维二分类数据集的训练结果。决策边界用黑色表示，支持向

量是尺寸较大的点。下列代码将在 forge 数据集上训练

SVM

并创建此图：

In[81]:

from sklearn.svm import SVC

X, y = mglearn.tools.make_handcrafted_dataset()

svm = SVC(kernel='rbf', C=10, gamma=0.1).fit(X, y)

mglearn.plots.plot_2d_separator(svm, X, eps=.5)

mglearn.discrete_scatter(X[:, 0], X[:, 1], y)

# 画出支持向量

sv = svm.support_vectors_

# 支持向量的类别标签由dual_coef_的正负号给出

sv_labels = svm.dual_coef_.ravel() > 0

mglearn.discrete_scatter(sv[:, 0], sv[:, 1], sv_labels, s=15, markeredgewidth=3)

plt.xlabel("Feature 0")

plt.ylabel("Feature 1")

图 2-41 ...