第11章 支撑向量机SVM

Support Vector Machine

，

 问题：如果决策边界不唯一

，

，

，

，

，

，

，

，

 s.t.(such that):之前都是全局最优化问题，这次是有条件的最优化问题

hard margin svm：首先保证能正确的分类

，

soft margin SVM：

，

若是这种更不行了，：因此需soft margin SVM

，

，

，

此时称L1正则

 scikit-learn中的SVM

实际使用SVM：和kNN一样，要做数据标椎化处理！

涉及距离！！！

，

def plot_decision_boundary(model, axis):
    x0, x1 = np.meshgrid(
        np.linspace(axis[0], axis[1], int((axis[1] - axis[0]) * 100)).reshape(-1,1),
        np.linspace(axis[2], axis[3], int((axis[3] - axis[2]) * 100)).reshape(-1,1)
    )
    X_new = np.c_[x0.ravel(), x1.ravel()]
    y_predict = model.predict(X_new)
    zz = y_predict.reshape(x0.shape)
    from matplotlib.colors import ListedColormap
    custom_cmp = ListedColormap(['#EF9A9A', '#FFF59D', '#90CAF9'])
    plt.contourf(x0, x1, zz,cmap=custom_cmp)

plot_decision_boundary(svc,axis=[-3,3,-3,3])
plt.scatter(X_standard[y==0,0],X_standard[y==0,1])
plt.scatter(X_standard[y==1,0],X_standard[y==1,1])
plt.show()

plot_decision_boundary

 什么是核函数？

，

，

，，

，

高斯核函数亦称径向基函数：

，

，

，

 scikit-learn中的高斯核函数：

 SVM思想解决回归问题