支持向量机多特征分类python代码
时间: 2023-10-05 15:07:35 浏览: 43
好的,以下是支持向量机多特征分类的Python代码示例:
```python
from sklearn import svm
import numpy as np
# 假设有两个特征,每个样本有3个特征值
X = np.array([[0, 0, 1], [1, 1, 0], [1, 0, 1], [0, 1, 0]])
y = np.array([0, 0, 1, 1])
# 创建SVC(支持向量机分类器)对象
clf = svm.SVC(kernel='linear')
# 训练模型
clf.fit(X, y)
# 预测新的样本
print(clf.predict([[1, 0, 0], [0, 1, 1]]))
```
以上代码是一个支持向量机分类器的示例,使用了线性核函数。您可以根据需要更改参数和数据,以适应您的问题。
相关问题
svm支持向量机多分类python代码
可以使用sklearn库中的SVM模型进行多分类,具体实现代码如下:
```python
from sklearn import svm
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.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, random_state=42)
# 定义SVM模型并进行训练
clf = svm.SVC(kernel='linear', C=1, decision_function_shape='ovr')
clf.fit(X_train, y_train)
# 对测试集进行预测
y_pred = clf.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))
```
其中,SVM模型中的kernel参数可以选择不同的核函数,C参数用于调节正则化强度,decision_function_shape参数用于解决多分类问题。以上代码实现了使用线性核函数的SVM模型对鸢尾花数据集进行多分类。
多分类支持向量机python代码
以下是一个简单的多分类支持向量机的Python代码示例,使用Scikit-learn库:
```python
from sklearn import svm
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
# 生成随机数据集
X, y = make_classification(n_samples=1000, n_classes=4, n_features=10, random_state=42)
# 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=0.2, random_state=42)
# 训练模型
clf = svm.SVC(kernel='linear', decision_function_shape='ovo')
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 输出准确率
accuracy = clf.score(X_test, y_test)
print('Accuracy:', accuracy)
```
上述代码中,首先使用 `make_classification` 函数随机生成一个具有4个分类的数据集。然后将数据集分成训练集和测试集,使用 `svm.SVC` 训练多分类支持向量机模型,并使用 `score` 函数计算模型的准确率。