决策树python源码 Python中支持向量机SVM的使用方法详解(2)

  test_size：样本占比，如果是整数的话就是样本的数量

  random_state：是随机数的。

  随机数：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。随机数的产生取决于，随机数和之间的关系遵从以下两个规则：不同，产生不同的随机数；相同，即使实例不同也产生相同的随机数。

（3）训练svm分类器

  kernel='linear'时，为线性核，C越大分类效果越好，但有可能会过拟合（defaul C=1）。

   kernel='rbf'时（default），为高斯核，gamma值越小，分类界面越连续；gamma值越大，分类界面越“散”，分类效果越好，但有可能会过拟合。决策树python源码

  decision_function_shape='ovr'时，为one v rest，即一个类别与其他类别进行划分，

  decision_function_shape='ovo'时，为one v one，即将类别两两之间进行划分，用二分类的方法模拟多分类的结果。

（4）计算svc分类器的准确率

结果为：

如果想查看决策函数，可以通过decision_function()实现

结果为：

  decision_function中每一列的值代表距离各类别的距离。

（5）绘制图像

1.确定坐标轴范围，x，y轴分别表示两个特征

这里用到了mgrid()函数，该函数的作用这里简单介绍一下：

假设假设目标函数F（x，y）=x+y。决策树python源码x轴范围1~3，y轴范围4~6，当绘制图像时主要分四步进行：

  【step1：x扩展】(朝右扩展)：

[1 1 1]

   [2 2 2]

   [3 3 3]

  【step2：y扩展】(朝下扩展)：

   [4 5 6]

   [4 5 6]

   [4 5 6]

  【step3：定位（xi，yi）】：

   [(1,4) (1,5) (1,6)]

   [(2,4) (2,5) (2,6)]

   [(3,4) (3,5) (3,6)]

  【step4：将（xi，yi）代入F(x,y)=x+y】

  因此这里x1, x2 = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j]后的结果为：

  再通过stack()函数，axis=1，生成测试点

2.指定默认字体

3.绘制

pcolormesh(x,y,z,cmap)这里参数代入x1，x2，grid_hat，cmap=cm_light绘制的是背景。

scatter中edgecolors是指描绘点的边缘色彩，s指描绘点的大小，cmap指点的颜色。

xlim指图的边界。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-60360-2.html