机器学习—支持向量机

支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法。

1.算法实现

from sklearn.datasets import load_iris
from sklearn.svm import LinearSVC
from sklearn.model_selection import train_test_split

iris = load_iris()

data_tr, data_te, label_tr, label_te = train_test_split(iris.data, iris.target, test_size=0.2)
model = LinearSVC(dual=False).fit(data_tr, label_tr)
pre = model.predict(data_te)
acc_te = sum(pre == label_te)/len(pre)

2.参考文章

支持向量机（SVM）——原理篇 - 知乎

【机器学习】支持向量机 SVM（非常详细） - 知乎

【创作不易，望点赞收藏，若有疑问，请留言，谢谢】

标签：iris,SVM,机器,tr,label,学习,te,data,向量
来源： https://www.cnblogs.com/dongxuelove/p/16434219.html