支持向量机图像分类代码
时间: 2023-11-20 22:55:41 浏览: 31
以下是一个使用支持向量机进行图像分类的Python代码示例:
```python
from sklearn import datasets
from sklearn import svm
from sklearn.model_selection import train_test_split
# 加载手写数字数据集
digits = datasets.load_digits()
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.3, random_state=42)
# 创建SVM分类器
clf = svm.SVC(kernel='linear')
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 输出预测结果
print("预测结果:", y_pred)
# 输出模型准确率
print("模型准确率:", clf.score(X_test, y_test))
```
该代码使用scikit-learn库中的SVM分类器对手写数字数据集进行分类。首先,数据集被加载并分为训练集和测试集。然后,创建一个SVM分类器,并使用训练集对其进行训练。最后,使用测试集进行预测,并输出预测结果和模型准确率。
相关问题
python支持向量机图像分类代码
下面是一个简单的基于 Python 的支持向量机图像分类代码示例,使用 scikit-learn 库和 MNIST 数据集:
```
from sklearn import datasets
from sklearn import svm
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 加载 MNIST 数据集
digits = datasets.load_digits()
# 获取图像数据和标签
X = digits.images.reshape((len(digits.images), -1))
y = digits.target
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 初始化 SVM 分类器
clf = svm.SVC(gamma=0.001)
# 在训练集上训练 SVM 分类器
clf.fit(X_train, y_train)
# 使用测试集评估分类器的准确性
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
```
在这个示例中,我们首先加载 MNIST 数据集并获取图像数据和标签。然后,我们将数据集分为训练集和测试集,使用 SVM 分类器在训练集上进行训练,最后使用测试集评估分类器的准确性。
注意:此示例仅用于演示目的。在实际应用中,可能需要进行更多的数据预处理、特征提取等操作来提高分类器的准确性。
python支持向量机图像二分类代码
以下是一个简单的Python支持向量机图像二分类代码示例:
```python
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
# 加载数据集
iris = datasets.load_iris()
X = iris.data[:, :2] # 只使用前两个特征
y = iris.target
# 将类别为0和1的样本作为正样本,类别为2的样本作为负样本
X = X[y != 2]
y = y[y != 2]
# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
# 创建SVM模型
clf = svm.SVC(kernel='linear', C=1.0)
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
# 画出决策边界
# 创建网格点
xx, yy = np.meshgrid(np.arange(X[:, 0].min() - 1, X[:, 0].max() + 1, 0.02),
np.arange(X[:, 1].min() - 1, X[:, 1].max() + 1, 0.02))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
# 画出决策边界和训练样本
plt.contourf(xx, yy, Z, cmap=plt.cm.coolwarm, alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.coolwarm)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.title('SVM classification')
plt.show()
```
这个示例使用了sklearn库中的SVM模型,加载了Iris数据集中的前两个特征,将类别为0和1的样本作为正样本,类别为2的样本作为负样本,将数据集分成训练集和测试集,并使用线性核函数进行训练。最后画出了决策边界和训练样本。代码中还计算了准确率,以评估模型的表现。您可以根据自己的需求修改代码。