python sklearn svm svr 多輸出_機器學習SVM原理，分類SVC+回歸SVR（基于sklearn）

①SVM

【高清png圖和wps導入的pos檔案在原文連結】

②代碼部分【原書中因sklearn版本問題，導包部分已修改】

# 使用鸢尾花資料集 SVC分類，記住SVC不會輸出每個類别的機率from sklearn import datasetsfrom sklearn.svm import SVCiris = datasets.load_iris()X= iris["data"][:,(2,3)] y = iris["target"]setosa_or_versicolor=(y==0)|(y==1)X = X[setosa_or_versicolor]y = y[setosa_or_versicolor]svc_clf = SVC(kernel='linear',C=float('inf'))svc_clf.fit(X,y)# 可預測svc_clf.predict([[2.5,1.7]])
           

# 非線性SVM分類from sklearn.datasets import make_moonsfrom sklearn.pipeline import Pipelinefrom sklearn.preprocessing import PolynomialFeaturesX, y = make_moons(n_samples=100, noise=0.15, random_state=42)polynoimal_svm_clf = Pipeline((    ("poly_features",PolynomialFeatures(degree=3)),    ("scaler",StandardScaler()),    ("svm_clf",LinearSVC(C=10,loss = 'hinge'))))polynoimal_svm_clf.fit(X,y)
           

其餘代碼參見原文連結。

移入Jupyter預設路徑即可運作。

(提取碼：m6jb)