画出支持向量机的超平面的代码
时间: 2024-06-18 08:02:48 浏览: 10
画出支持向量机的超平面需要先得到支持向量机的分类器,通常可以使用sklearn库中的SVM模型来实现。下面是一个简单的示例代码,它将使用SVM模型在iris数据集上训练一个分类器,并画出决策边界和支持向量。
```
from sklearn import datasets
from sklearn.svm import SVC
import numpy as np
import matplotlib.pyplot as plt
# 加载iris数据集
iris = datasets.load_iris()
X = iris.data[:, :2] # 取前两个特征用于可视化
y = iris.target
# 训练SVM分类器
clf = SVC(kernel='linear')
clf.fit(X, y)
# 画出决策边界和支持向量
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)
plt.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], s=80,
facecolors='none', edgecolors='k')
plt.title('Support Vector Machine')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()
```