机器学习算法：支持向量机（SVM）｜python与r语言代码实现

支持向量机（SVM）

这是一种分类方法。在该算法中，我们将每个数据项绘制为n维空间中的一个点（其中n是具有的特征数），其中每个特征的值是特定坐标的值。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/suanfa/6544.html

例如，如果我们只有像个体的高度和毛发长度这样的两个特征，我们首先在二维空间中绘制这两个变量，其中每个点有两个坐标（这些坐标称为支持向量）文章源自菜鸟学院-https://www.cainiaoxueyuan.com/suanfa/6544.html

文章源自菜鸟学院-https://www.cainiaoxueyuan.com/suanfa/6544.html

现在，我们将发现在两个不同分类的数据组之间分割数据的一些线。这将是一条直线，使得两组中最靠近的点的距离将最远。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/suanfa/6544.html

文章源自菜鸟学院-https://www.cainiaoxueyuan.com/suanfa/6544.html

在上面所示的示例中，将数据分成两个不同分类组的线是黑线，因为最接近的两个点是离线最远的。这条线是我们的分类器。然后，取决于测试数据落在行的哪一边，这样可以知道要将新数据分成什么类。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/suanfa/6544.html

更多：支持向量机的简化版本文章源自菜鸟学院-https://www.cainiaoxueyuan.com/suanfa/6544.html

把这个算法看作是在n维空间中玩Jazzball游戏，游戏中的调整是：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/suanfa/6544.html

• 你可以在任何角度（不只是水平或垂直，如在经典游戏）画线/平面
• 游戏的目的是在不同的房间中分离不同颜色的球
• 球不动

Python代码

#Import Library
from sklearn import svm
#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset
# Create SVM classification object 
model = svm.svc() # there is various option associated with it, this is simple for classification. You can refer link, for mo# re detail.
# Train the model using the training sets and check score
model.fit(X, y)
model.score(X, y)
#Predict Output
predicted= model.predict(x_test)

R语言代码文章源自菜鸟学院-https://www.cainiaoxueyuan.com/suanfa/6544.html

library(e1071)
x <- cbind(x_train,y_train)
# Fitting model
fit <-svm(y_train ~ ., data = x)
summary(fit)
#Predict Output 
predicted= predict(fit,x_test)