用python实现硬间隔 svm

好的，这里是用Python实现硬间隔支持向量机（SVM）的示例代码：

# 导入相关库
import numpy as np
import matplotlib.pyplot as plt

# 生成数据
np.random.seed(42)
num_observations = 500
x1 = np.random.multivariate_normal([0, 0], [[1, .75],[.75, 1]], num_observations)
x2 = np.random.multivariate_normal([1, 4], [[1, .75],[.75, 1]], num_observations)
X = np.vstack((x1, x2)).astype(np.float32)
y = np.hstack((-np.ones(num_observations), np.ones(num_observations)))

# 绘制数据分布
plt.figure(figsize=(12,8))
plt.scatter(X[:, 0], X[:, 1], c=y, alpha = .4)
plt.show()

# 训练SVM模型
def svm_sgd(X, Y):
    w = np.zeros(len(X[0]))
    eta = 1
    epochs = 100000

    for epoch in range(1, epochs):
        for i, x in enumerate(X):
            if (Y[i]*np.dot(X[i], w)) < 1:
                w = w + eta * ((X[i] * Y[i]) + (-2 * (1/epoch) * w))
            else:
                w = w + eta * (-2 * (1/epoch) * w)

    return w

# 进行预测
w = svm_sgd(X, y)
print(w)

这是一个基于随机梯度下降（SGD）算法实现的SVM模型，可以用于解决二分类问题。在代码中，我们首先生成了两类服从不同高斯分布的数据，并将它们绘制在二维平面上。接着，我们定义了一个SVM_sgd函数用于训练SVM模型，其中eta是学习率，epochs是训练轮数，w是要训练的权重参数，X和Y分别是输入数据和对应的标签。在每一轮训练中，我们根据当前样本的分类情况，来更新权重向量w，最终得到分类超平面。最后，我们输出得到的权重向量w，可以用于预测新的样本的分类。