【机器学习】自定义数据集使用scikit-learn中svm的包实现svm分类

一、支持向量机(support vector machines. ，SVM)概念

1. SVM 绪论

支持向量机（SVM）的核心思想是找到一个最优的超平面，将不同类别的数据点分开。SVM 的关键特点包括：

① 分类与回归：

SVM 可以用于分类（SVC, Support Vector Classification）和回归（SVR, Support Vector Regression）。
分类任务中，SVM 通过找到一个超平面，最大化不同类别之间的间隔（margin）。
回归任务中，SVM 通过找到一个超平面，使得数据点尽可能接近该超平面。

② 核函数（Kernel）：

SVM 通过核函数将数据映射到高维空间，从而解决非线性问题。
常用的核函数包括：

线性核（linear）

多项式核（poly）

径向基核（RBF, rbf）

Sigmoid 核（sigmoid）

③ 支持向量：

支持向量是离超平面最近的数据点，它们决定了超平面的位置和方向。

2. `scikit-learn` 中的SVM包

① `SVC`：

用于分类任务的支持向量机。
主要参数：

kernel：核函数类型（如 'linear'、'rbf' 等）。

C：正则化参数，控制模型的复杂度。

gamma：核函数的系数（仅对 'rbf'、'poly' 和 'sigmoid' 核有效）。

② `SVR`：

用于回归任务的支持向量机。
主要参数与 SVC 类似。

③ `LinearSVC`：

线性支持向量分类器，专门用于线性核的 SVM。
比 SVC(kernel='linear') 更高效。

④ `LinearSVR`：

线性支持向量回归器，专门用于线性核的 SVM 回归。

3. SVM包中的主要参数

① `kernel`：

核函数类型，默认为 'rbf'。
可选值：'linear'、'poly'、'rbf'、'sigmoid' 或自定义核函数。

② `C`：

正则化参数，默认为 1.0。
较小的 C 值表示更强的正则化，较大的 C 值表示更弱的正则化。

③ `gamma`：

核函数的系数，默认为 'scale'（即 1 / (n_features * X.var())）。
较小的 gamma 值表示核函数的影响范围较大，较大的 gamma 值表示核函数的影响范围较小。

④ `degree`：

多项式核的阶数，默认为 3。
仅对 kernel='poly' 有效。

⑤ `probability`：

是否启用概率估计，默认为 False。
如果为 True，可以使用 predict_proba 方法获取类别概率。

4. SVM示例代码

python">import numpy as np
from sklearn.svm import SVC
import matplotlib.pyplot as plt# 1. 自定义数据集
np.random.seed(42)
X = np.random.randn(100, 2)  # 100 个样本，每个样本有 2 个特征
y = (X[:, 0] + X[:, 1] > 0).astype(np.int32)  # 根据特征的线性组合生成标签# 2. 初始化 SVM 模型
svm_model = SVC(kernel='linear', C=1.0, random_state=42)# 3. 训练模型
svm_model.fit(X, y)# 4. 可视化决策边界
def plot_decision_boundary(model, X, y):# 创建网格点x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.01),np.arange(y_min, y_max, 0.01))# 预测网格点的类别Z = model.predict(np.c_[xx.ravel(), yy.ravel()])Z = Z.reshape(xx.shape)# 绘制决策边界plt.contourf(xx, yy, Z, alpha=0.8, cmap='viridis')# 绘制样本点plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', marker='o', cmap='viridis')plt.title("SVM 决策边界")plt.xlabel("特征 1")plt.ylabel("特征 2")plt.show()# 可视化决策边界
plot_decision_boundary(svm_model, X, y)

二、SVM类型

1. 线性可分支持向量机（Linear Separable SVM）

① 定义

适用于数据 线性可分 的情况，即存在一个超平面可以将不同类别的样本完全分开。
目标是找到一个最优超平面，使得两类样本之间的间隔（margin）最大化。

② 数学形式

超平面方程：w⋅x+b=0，其中：

w 是法向量，决定了超平面的方向。

b 是偏置项，决定了超平面的位置。

优化目标：

$\min_{\mathbf{w}, b} \frac{1}{2} \|\mathbf{w}\|^2$

约束条件：

$y_i (\mathbf{w} \cdot \mathbf{x}_i + b) \geq 1, \quad \forall i$

其中 $y_i \in \{-1, 1\}$ 是样本的类别标签。

③ 特点

适用于数据完全线性可分的情况。
通过最大化间隔，提高模型的泛化能力。

2. 线性支持向量机（Linear SVM）

① 定义

适用于数据 近似线性可分 的情况，即数据中存在少量噪声或异常点，无法完全分开。
引入 松弛变量（slack variables），允许部分样本违反间隔约束。

② 数学形式

优化目标：

$\min_{\mathbf{w}, b, \xi} \frac{1}{2} \|\mathbf{w}\|^2 + C \sum_{i=1}^n \xi_i$

约束条件：

$y_i (\mathbf{w} \cdot \mathbf{x}_i + b) \geq 1 - \xi_i, \quad \xi_i \geq 0, \quad \forall i$

其中：

$\xi_i$ 是松弛变量，表示第 $i$ 个样本违反间隔约束的程度。

$C$ 是正则化参数，控制模型对误分类的惩罚力度。

③ 特点

通过引入松弛变量，允许部分样本误分类，提高模型的鲁棒性。
适用于数据近似线性可分的情况。

3. 非线性支持向量机（Nonlinear SVM）

① 定义

适用于数据 非线性可分 的情况，即无法通过一个超平面将不同类别的样本分开。
通过 核函数（Kernel Function） 将数据映射到高维空间，使得数据在高维空间中线性可分。

② 数学形式

核函数的作用是将原始特征空间映射到高维特征空间：

$\phi: \mathbb{R}^d \to \mathbb{R}^D$

其中 $D > d$ ，甚至可以是无限维。

优化目标：

$\min_{\mathbf{w}, b, \xi} \frac{1}{2} \|\mathbf{w}\|^2 + C \sum_{i=1}^n \xi_i$

约束条件：

$y_i (\mathbf{w} \cdot \phi(\mathbf{x}_i) + b) \geq 1 - \xi_i, \quad \xi_i \geq 0, \quad \forall i$

③ 常用核函数

线性核（Linear Kernel）：

$K(\mathbf{x}_i, \mathbf{x}_j) = \mathbf{x}_i \cdot \mathbf{x}_j$

多项式核（Polynomial Kernel）：

$K(\mathbf{x}_i, \mathbf{x}_j) = (\gamma \mathbf{x}_i \cdot \mathbf{x}_j + r)^d$

径向基核（RBF Kernel）：

$K(\mathbf{x}_i, \mathbf{x}_j) = \exp(-\gamma \|\mathbf{x}_i - \mathbf{x}_j\|^2)$

Sigmoid 核（Sigmoid Kernel）：

$K(\mathbf{x}_i, \mathbf{x}_j) = \tanh(\gamma \mathbf{x}_i \cdot \mathbf{x}_j + r)$

④ 特点

通过核函数，可以处理非线性可分的数据。
核函数的选择对模型性能有重要影响。

4. 总结

类型	适用场景	核心思想	关键参数/技术
线性可分支持向量机	数据完全线性可分	最大化间隔	无松弛变量
线性支持向量机	数据近似线性可分	允许部分样本误分类	松弛变量、正则化参数 C
非线性支持向量机	数据非线性可分	通过核函数映射到高维空间	核函数、正则化参数 C

线性可分支持向量机 是理想情况，现实中较少见。
线性支持向量机 通过引入松弛变量，提高了模型的鲁棒性。
非线性支持向量机 通过核函数，可以处理复杂的非线性问题。

三、自定义数据集使用scikit-learn中svm的包实现svm分类

1. 代码示例

python">import numpy as np
from sklearn.svm import SVC
import matplotlib.pyplot as plt# 1. 自定义数据集
# 生成 200 个样本，每个样本有 2 个特征
np.random.seed(42)  # 设置随机种子以确保结果可重复
X = np.random.randn(200, 2).astype(np.float32)
# 根据特征的线性组合生成标签，大于 0 标记为 1，否则标记为 0
y = (2 * X[:, 0] + 3 * X[:, 1] > 0).astype(np.int32)# 2. 初始化 SVM 模型
# 使用线性核函数
svm_model = SVC(kernel='linear', random_state=42)# 3. 训练模型
svm_model.fit(X, y)# 4. 可视化决策边界和支持向量
def plot_decision_boundary(model, X, y):# 创建网格点x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.01),np.arange(y_min, y_max, 0.01))# 预测网格点的类别Z = model.predict(np.c_[xx.ravel(), yy.ravel()])Z = Z.reshape(xx.shape)# 绘制决策边界plt.contourf(xx, yy, Z, alpha=0.8, cmap='viridis')# 绘制样本点plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', marker='o', cmap='viridis')# 绘制支持向量plt.scatter(model.support_vectors_[:, 0], model.support_vectors_[:, 1],s=100, facecolors='none', edgecolors='r', label='支持向量')plt.title("SVM 决策边界")plt.xlabel("特征 1")plt.ylabel("特征 2")plt.legend()plt.show()# 可视化训练集的决策边界和支持向量
plot_decision_boundary(svm_model, X, y)

2. 代码解释

① 自定义数据集：

X = np.random.randn(200, 2).astype(np.float32)：

生成 200 个样本，每个样本有 2 个特征。

使用 np.random.randn 生成符合标准正态分布的随机数。

astype(np.float32) 将数据类型转换为 32 位浮点数。

y = (2 * X[:, 0] + 3 * X[:, 1] > 0).astype(np.int32)：

根据特征的线性组合生成标签。

公式 2 * X[:, 0] + 3 * X[:, 1] > 0 表示特征的线性组合是否大于 0。

大于 0 的样本标记为 1，否则标记为 0。

astype(np.int32) 将标签转换为 32 位整数。

② 初始化 SVM 模型：

svm_model = SVC(kernel='linear', random_state=42)：

使用线性核函数初始化 SVM 模型。

kernel='linear' 表示使用线性核函数。

random_state=42 确保每次运行代码时结果一致。

③ 训练模型：

svm_model.fit(X, y)：

使用训练集数据训练 SVM 模型。

④ 可视化决策边界和支持向量：

plot_decision_boundary 函数：

绘制 SVM 的决策边界和支持向量。

使用 np.meshgrid 创建网格点，覆盖整个特征空间。

使用 model.predict 预测网格点的类别。

使用 plt.contourf 绘制决策边界。

使用 plt.scatter 绘制样本点和支持向量。