正文

如何用Scikit-learn轻松绘制SVM模型分类效果可视化图

/0 浏览量
0608

在机器学习领域，支持向量机（SVM）是一种强大的分类算法。Scikit-learn是一个流行的Python机器学习库，它提供了简单易用的接口来构建和评估SVM模型。为了更好地理解SVM模型的分类效果，我们可以通过可视化图来展示。以下是如何使用Scikit-learn轻松绘制SVM模型分类效果可视化图的详细步骤。

1. 数据准备

首先，我们需要准备一些数据。这里我们以著名的鸢尾花（Iris）数据集为例。

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

# 加载数据集
iris = datasets.load_iris()
X = iris.data[:, :2]  # 只取前两个特征
y = iris.target

2. 划分数据集

我们将数据集分为训练集和测试集。

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

3. 创建SVM模型

接下来，我们使用Scikit-learn创建一个SVM分类器。

from sklearn import svm

# 创建SVM分类器
clf = svm.SVC(kernel='linear', C=1.0)

4. 训练模型

使用训练集来训练我们的SVM模型。

clf.fit(X_train, y_train)

5. 绘制决策边界

为了可视化SVM模型的分类效果，我们可以绘制决策边界。

# 设置网格点
h = .02  # 步长
x_min, x_max = X_train[:, 0].min() - 1, X_train[:, 0].max() + 1
y_min, y_max = X_train[:, 1].min() - 1, X_train[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

# 预测网格点
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

# 绘制
plt.figure()
plt.contourf(xx, yy, Z, alpha=0.8)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, edgecolors='k', marker='o')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('SVM Decision Boundary')
plt.show()

6. 绘制分类结果

除了决策边界，我们还可以绘制测试集上的分类结果。

# 绘制测试集
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, edgecolors='k', marker='x')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('SVM Classification Results on Test Set')
plt.show()

总结

通过上述步骤，我们可以使用Scikit-learn轻松地绘制SVM模型的分类效果可视化图。这不仅有助于我们理解模型的决策过程，还可以通过观察决策边界和分类结果来评估模型的效果。记住，数据预处理、模型参数选择和交叉验证都是提高模型性能的关键步骤。

-- 展开阅读全文 --