python数据分析SVM，快速使用代码

1 初始准备

import numpy as np
import matplotlib.pyplot as pl
from sklearn import svm,datasets
from pylab import mpl

mpl.rcParams[‘font.sans-serif’]=‘SimHei’ #画图正常显示中文
mpl.rcParams[‘axes.unicode_minus’]=False #决绝保存图像是负号‘-’显示方块的问题

2绘图准备

由于sklearn包中有直接可以使用的方法，直接准备绘图（SVM里面的核函数编程太麻烦了，直接使用包）

def make_meshgrid(x,y,h=.02):
    """准备用于绘图的网格点
    参数
    ————————
    x:x轴数据点
    y：y轴数据点
    h：间隔距离
    返回值
    ——————————
    xx，yy：ndarray
    """
    x_min,x_max=x.min()-1,x.max()+1
    y_min,y_max=y.min()-1,y.max()+1
    xx,yy=np.meshgrid(np.arange(x_min,x_max,h),
                     np.arange(y_min,y_max,h))
    return xx,yy

3 comtour图准备

def plot_contours(ax,clf,xx,yy,**params):
    """绘制分类器边界
    参数
    ————————
    ax：matplotlib.axes对象
    xx：网格点
    yy：网格点
    params：控制绘图的其它字典
    """
    
    Z=clf.predict(np.c_[xx.ravel(),yy.ravel()])
    Z=Z.reshape(xx.shape)
    out=ax.contour(xx,yy,Z,**params)
    return out

4 使用自带数据集进行建模

#载入鸢尾花数据集
iris=datasets.load_iris()
#为了后面方便绘图，这里只使用二个特征
X=iris.data[:,:2]
y=iris.target

C=1.0
#备用的各种模型设置
models=(svm.SVC(kernel='linear',C=C),
        svm.LinearSVC(C=C),
       svm.SVC(kernel='rbf',gamma=0.7,C=C),
       svm.SVC(kernel='poly',degree=3,C=C))
#训练模型
models=(clf.fit(X,y)for clf in models)
#各模型标题
titles=(u'SVC(线性核)',
       u'LinearsSVC(线性核)',
       u'SVC(RBF)',
       u'SVC(3次多项式核)')

#把整个图划分成2*2网格
fig,sub=pl.subplots(2,2,figsize=(12,8))
pl.subplots_adjust(wspace=0.2,hspace=0.2)

X0,X1=X[:,0],X[:,1]
xx,yy=make_meshgrid(X0,X1)

for clf,title,ax in zip(models,titles,sub.flatten()):
    plot_contours(ax,clf,xx,yy,alpha=0.8)
    ax.scatter(X0,X1,c=y,cmap=pl.cm.coolwarm,s=20,edgecolors='k')
    ax.set_xlim(xx.min(),xx.max())
    ax.set_ylim(yy.min(),yy.max())
    ax.set_xlabel(u'长')
    ax.set_ylabel(u'宽')
    ax.set_xticks(())#不显示坐标
    ax.set_yticks(())#不显示坐标
    ax.set_title(title)
    
pl.show()