svm核函数python

在Python中，可以使用sklearn包来实现SVM核函数。sklearn提供了多种核函数的选择，包括线性核函数、多项式核函数和高斯核函数等。

要使用核函数，可以使用svm.SVC()函数，并在参数中指定kernel的类型。例如，使用多项式核函数可以将参数kernel设置为'poly'，使用高斯核函数可以将参数kernel设置为'rbf'。

以下是一个示例代码，演示了如何使用多项式核函数和高斯核函数：

from sklearn import svm
import numpy as np
import matplotlib.pyplot as plt

# 准备训练样本
x = [[1, 8], [3, 20], [1, 15], [3, 35], [5, 35], [4, 40], [7, 80], [6, 49]]
y = [1, 1, -1, -1, 1, -1, -1, 1]

# 开始训练
clf_poly = svm.SVC(kernel='poly')  # 多项式核函数
clf_rbf = svm.SVC(kernel='rbf')  # 高斯核函数

clf_poly.fit(x, y)
clf_rbf.fit(x, y)

# 绘制样本点和决策边界
h = 0.02  # 设置网格步长
x_min, x_max = min(np.array(x)[:, 0]) - 1, max(np.array(x)[:, 0]) + 1
y_min, y_max = min(np.array(x)[:, 1]) - 1, max(np.array(x)[:, 1]) + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z_poly = clf_poly.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)
Z_rbf = clf_rbf.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)

plt.figure(figsize=(10, 4))

plt.subplot(121)
plt.contourf(xx, yy, Z_poly, cmap=plt.cm.coolwarm, alpha=0.8)
plt.scatter(np.array(x)[:, 0], np.array(x)[:, 1], c=y, cmap=plt.cm.coolwarm)
plt.title('Polynomial Kernel')

plt.subplot(122)
plt.contourf(xx, yy, Z_rbf, cmap=plt.cm.coolwarm, alpha=0.8)
plt.scatter(np.array(x)[:, 0], np.array(x)[:, 1], c=y, cmap=plt.cm.coolwarm)
plt.title('Gaussian Kernel')

plt.show()