如何绘制只有一个特征的svm超平面
支持向量机（Support Vector Machine，简称SVM）是一种常用的机器学习算法，用于二分类和多分类任务。它通过在特征空间中找到一个超平面，将不同类别的样本尽可能地分开。
绘制只有一个特征的SVM超平面可以分为以下几个步骤：
- 数据准备：收集只有一个特征的样本数据，并进行预处理，如数据清洗、特征缩放等。
- 数据可视化：使用数据可视化工具（如matplotlib库）将数据在二维空间中进行展示，其中x轴代表特征值，y轴代表类别。
- SVM训练：使用机器学习库（如scikit-learn库）构建SVM模型，选择合适的核函数和超参数。由于只有一个特征，可以选择线性核函数（Linear Kernel）。
- 模型训练：将准备好的数据输入到SVM模型中进行训练。
- 超平面绘制：通过获取模型的权重（W）和偏置（b），可以得到超平面的方程。在二维空间中，超平面是一条直线，可以通过求解直线的两个端点坐标来绘制。
- 结果展示：将训练数据和绘制的超平面一起展示在二维图上，以观察分类效果。
需要注意的是，SVM通常用于处理高维数据，对于只有一个特征的数据，使用SVM可能不是最优选择，可以考虑其他简单的分类算法。
推荐腾讯云相关产品：腾讯云机器学习平台（https://cloud.tencent.com/product/tccli）
以上是对于如何绘制只有一个特征的SVM超平面的一般性回答，具体实现还需要结合具体的编程语言和机器学习库进行操作。
相关·内容
1回答
我已经使用Caret在R中构建了一个SVM-RBF模型。有没有一种绘制决策边界的方法？ 我知道可以通过使用其他R包来做到这一点，但不幸的是，我被迫使用Caret包，因为这是我找到的唯一一个允许我计算变量重要性的包。或者，你能推荐一个包，允许绘制决策边界，并赋予变量重要性吗？ 非常感谢
浏览 21提问于2019-05-09得票数 0
1回答
如何绘制SVM分类超平面
、、、
这是我的支持向量机分类示例代码。
train <- read.csv("traindata.csv")
test <- read.csv("testdata.csv")
svm.fit=svm(as.factor(value)~ ., data=train, kernel="linear", method="class")
svm.pred = predict(svm.fit,test,type="class")
在我的示例中，特性值是一个提供两个级别(真或假)的因素
浏览 5提问于2016-03-31得票数 0
1回答
如何在R中绘制单类SVM？
、、、、
我在R中使用e1071包来构建一个单类支持向量机模型。我能够建立模型并打印模型，但我在绘制它时遇到了困难。
我使用了这个支持向量机，还有，它使用的是虹膜数据集，但所有的示例都使用C分类。
library(e1071)
day = c(0,1,2,3,4,5,6)
weather = c(6,5,4,3,2,1,0) #on the example, it was: c(1,0,0,0,0,0,0)
happy = factor(c(T,T,T,T,T,T,T)) #on the example it was: happy = factor(c(T,F,F,F,F,F,F))
d = dat
浏览 0提问于2016-04-06得票数 0
lin.6d<-read.csv("D:/Documents/Linear-6d.csv", header=TRUE)
View(lin.6d)
plot(lin.6d,col = ifelse(lin.6d$Class == 1, "red","blue"))
library(e1071) # Package for Support Vector Machines
svm.lin.6d <- svm(Class ~ ., data = lin.6d, type = "C-classification", k
浏览 0提问于2021-02-14得票数 0
1回答
我是新的R和有一些困难的绘制svm模型。1)如何绘制和分析多变量SVM回归模型的结果。
library(e1071)
set.seed(3)
data = data.frame(matrix(rnorm(100*5), nrow=100))
train=data[1:70,]
test=data[71:100,]
fit = svm(X1 ~ ., data=train)
summary(fit)
pred=predict(fit,test)
2)假设其中一个变量(例如: X2)包含定性数据(例如:高、低、中)而不是定量数据，那么我们应该如何绘制？
浏览 2提问于2016-01-01得票数 0
回答已采纳
1回答
如何使用scikit svm绘制一维数据的分离“超平面”？
我遵循二维数据指南：，但不知道如何使其适用于一维数据
pos = np.random.randn(20, 1) + 1
neg = np.random.randn(20, 1) - 1
X = np.r_[pos, neg]
Y = [0] * 20 + [1] * 20
clf = svm.SVC(kernel='linear', C=0.05)
clf.fit(X, Y)
# how to get "hyperplane" and margins values ??
谢谢
浏览 2提问于2016-07-29得票数 3
次梯度svm和内核svm有什么区别？
根据我的理解，次梯度svm是一个线性分类器，它使用铰链损失，核svm使用一些核函数来进行非线性分类。我在想，如果次梯度只是一个线性分类器，我能用非线性svm树来分离非线性数据吗？本质上，我将进行二进制分类，将一个类与其余类分开，然后树的子节点将处理其余类，并将下一个类与其余类分离，等等。任何一般性的想法或反馈都是很棒的。
浏览 0提问于2017-01-13得票数 1
回答已采纳
1回答
我想为一个二级问题训练一个RBF核支持向量机.目前，支持向量机只预测0或1，但我希望它返回到决策边界的距离。我怎样才能做到这一点？
self.svm = cv2.ml.SVM_create()
self.svm.setKernel(cv2.ml.SVM_RBF)
self.svm.train(features, cv2.ml.ROW_SAMPLE, labels)
res = svm.predict(testdata, True)
我的特性是np.arrays和dtype=np.float32，标签是带有dtype=np.int的np.arrays，类"no“的值是0，类是"y
浏览 3提问于2017-07-06得票数 1
1回答
我使用svmlib对二维不可分离数据进行线性分类。我能够训练svm并使用svmlib获得w和b。使用此信息，我可以绘制决策边界以及支持向量，但我不确定如何使用svmlib提供的信息绘制边距。
下面是我的代码：
model = svmtrain(Y,X, '-s 0 -t 0 -c 100');
w = model.SVs' * model.sv_coef;
b = -model.rho;
if (model.Label(1) == -1)
w = -w; b = -b;
end
y_hat = sign(w'*X' + b);
sv = fu
浏览 0提问于2015-02-17得票数 0
回答已采纳
如果我们对不同类别的svm有不同的特性，是否有可能？
例如，其中一个超平面：
w_1\cdot \text{age}+ w_2 \cdot \text{ trip duration} +w_3 \cdot \text{ income}
另一个超平面是
w_1\cdot \text{cost}+ w_2 \cdot \text{trip duration} +w_3 \cdot \text{purpose of trip}
另一个
w_1\cdot \text{distance}+ w_2 \cdot \text{trip duration} +w_3 \cdot 0?
说得通吗？
浏览 0提问于2019-08-04得票数 0
3回答
我正在研究支持向量机，我想知道决策边界和最优超平面之间的区别是什么？它们似乎都被描述为为分隔数据点而绘制的线。
浏览 5提问于2013-12-18得票数 8
回答已采纳
我的数据集具有要素列和目标标签0和1。
当我使用SVM分类器进行二值分类时，它的预测效果很好。
但我的问题是，它是如何在数学上预测的。
边际超平面H1和H2的方程为: W^T X +b >= 1
这意味着如果大于+1，它属于一个类。如果小于-1，则它属于另一个类。
但是我们已经给出了目标标签0和1。
它到底是如何在数学上实现的呢？
请各位专家……
浏览 5提问于2021-02-04得票数 1
支持向量机(SVM)：经常提到的是\textbf{w}^T\textbf{x}_i - b >= 1，对于第1类的\textbf{x}_i (即y=1)和\textbf{w}^T\textbf{x}_i - b <= -1，对于第1类的\textbf{x}_i (即y=-1)，从维基百科页面读到它与数据集的规范化有关，所以，我想所有的\textbf{x}_i向量都是归一化的(除以)它们的范数，即，它们都有范数1和投影，也就是说，做标量积\textbf{w}^T\textbf{x}_i会给出小于1或1的值，如果\textbf{w}也是归一化的话(这可能不是一般的，所以这一切都不那么清
浏览 0提问于2021-07-13得票数 0
回答已采纳
1回答
一类支持向量机
、、、、
所以我想确保我的判断是正确的。首先，我是计算机工程专业的本科生，比软件有更多的硬件/EE经验。今年夏天，我发现自己使用了一个使用单类SVM的聚类算法，SVM仅仅是一个用于分类/分离输入数据的数学模型吗？SVM在只有一个属性/变量的数据集上能很好地工作吗？我猜后者是否定的，可能是因为只有一个属性的分类实际上是刻板印象的。我的猜测是SVM在有多个属性/变量对分类有贡献的数据集上表现得更好。提前感谢！
浏览 1提问于2011-07-29得票数 3
回答已采纳
2回答
我使用支持向量机找到了依赖于q的超平面最佳拟合回归，其中我有4个维度: x，y，z，q。
fit <- svm(q ~ ., data=data,kernel='linear')
这是我的fit对象：
Call:
svm(formula = q ~ ., data = data, kernel = "linear")
Parameters:
SVM-Type: C-classification
SVM-Kernel: linear
cost: 1
gamma: 0.3333333
Number of
浏览 3提问于2011-11-05得票数 13
回答已采纳
我有一个科学工具包-学习线性svm.SVC分类器，旨在将文本分类为2类(-1,1)。分类器使用训练集中的250个特征来进行预测，而且效果相当好。
但是，我不知道如何在matplotlib中绘制超平面或支持向量。所有的例子在线只使用两个特征来导出决策边界和支持向量点。我似乎找不到任何绘图超平面或支持向量，有超过2个特征或缺乏固定的特征。我知道，有一个基本的数学步骤，我错过了这里，任何帮助将不胜感激。
浏览 1提问于2014-07-01得票数 3
回答已采纳
2回答
我试图用SVC预测奇数和偶数数，但我的输出与我所期望的不一样。
from sklearn import svm
import numpy as np
clf = svm.SVC(kernel='linear')
data = np.array([[0], [1], [2], [3], [4]])
label = np.array([1,0,1,0,1])
clf.fit(data, label)
print(clf.predict([[3]]))
print(clf.predict([[4]]))
print(clf.predict([[5]]))
结果：
[1]
[1]
浏览 4提问于2015-04-24得票数 2
回答已采纳
我正在学习SVM (支持向量机)：有几点仍然不明确：(线性可分，原始情况)
我知道如何找到重量w和超平面方程，但如果我们可以从它推导出支持向量，为什么我们要计算保证金？我需要先计算什么？在哪种情况下？(对于这些混合的问题，我很抱歉，但我真的搞不懂)
我在一些例子中看到，保证金是这样计算的：
1 / ||w||
而在其他情况下，则是这样的：
2 / ||w||
那么这两种情况有什么不同呢？
谢谢
浏览 0提问于2017-11-24得票数 0
2回答
我使用下面的代码来计算特性的重要性。
from matplotlib import pyplot as plt
from sklearn import svm
def features_importances(coef, names):
imp = coef
imp,names = zip(*sorted(zip(imp,names)))
plt.barh(range(len(names)), imp, align='center')
plt.yticks(range(len(names)), names)
plt.show()
fe
浏览 0提问于2017-01-13得票数 6
1回答
在支持向量机中，每个特征fi对应一个作为系数的权重。当所有的特征都被缩放时，wi必须代表特征fi的重要性，所以我希望打印这个重要的顺序。因此，我编写了一个快速的代码，并使用clf.coef_获得所有的wi。但是结果有点麻烦，对于n_features=2，clf.coef_输出10x2矩阵！
from sklearn import svm
from sklearn.datasets.samples_generator import make_blobs
from pandas import DataFrame
X,Y=make_blobs(n_samples=100, centers=5, n_
浏览 0提问于2019-05-09得票数 1
回答已采纳
我有一个1960年样本的数据集，有12个特性，并试图解决一个二进制分类问题，使用980样本进行训练和980样本进行测试。对于训练，我使用的是"svmtrain“，而为了分类，我使用的是”svmtrain“。是否有可能绘制训练错误与训练样本编号？有什么建议吗？我刚开始学习matlab和SVM。
浏览 5提问于2015-08-29得票数 0
回答已采纳
1回答
弱与强描述符-机器视觉
、、、、
我听说过类似Haar的特性被描述为弱描述符，Adaboost方法在这种情况下比SVM更有利。我的问题是，什么是弱描述符和强描述符，为什么增强方法的性能优于支持向量机(例如)？
浏览 1提问于2014-06-04得票数 3
回答已采纳
当我在scikit学习的SVM中预测属于图像的类时
...
print "Predicting on 1 sample"
print "Input features:"
fv = [0.16666666666628771, 5.169878828456423e-26, 2.584939414228212e-22, 1.0, 1.0000000000027285]
print fv
print "Predicted class index:"
print clf.predict([fv])
输出：
Predicted class index:
[5
浏览 6提问于2013-02-21得票数 0
回答已采纳
1回答
支持向量机中预测的可信度
、、、
我正在使用opencv中的SVM分类器进行英语数字分类。我能够使用predict()函数预测类。但我希望在0-1之间得到预测的信心。有人能提供一种使用opencv的方法吗？
//svm parameters used
m_params.svm_type = CvSVM::C_SVC;
m_params.kernel_type = CvSVM::RBF;
m_params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 500, 1e-8);
//for training
svmob.train_auto(m_features,
浏览 1提问于2015-01-02得票数 3
回答已采纳
我正在学习Andrew Ng在Coursera上的机器学习课程，在他关于SVM的部分的介绍中，他说：“许多人认为SVM是最强大的‘黑盒’学习算法。”
他没有详细说明这一点。为什么支持向量机会被认为是一个黑盒？是不是因为他们的行为没有逻辑回归那么直接？
浏览 0提问于2018-01-07得票数 0
2回答
CvSVM回归只预测整数
、、、
我试图熟悉CvSVM，使用手工标记的590个图像数据库，从0到5 (0是模糊的，5是完美的)。如果一个分数<3i标记它0(模糊)和如果>=3我标记它1(清除)。
对于特性，我只是使用五种不同的通用度量来进行模糊评估。根据训练数据的均值和标准差对每一项数据进行标准化。采用相同的训练均值和标准偏差对测试数据进行标准化处理。
出于某种原因，我的支持向量机只预测整数。我已经检查了int类型和其他愚蠢的错误，但无法解决。我意识到，我的特征可能不是很健壮，因为不同图像之间存在如此大的差异(标准化不是很有帮助，因为标准化测试功能的范围最终要大于训练功能的范围)，但我仍然觉得我应该得到一些十进制预
浏览 4提问于2014-07-17得票数 2
回答已采纳
我正在使用libsvm训练一个具有hog特征的SVM。模型文件具有n个支持向量。但是当我尝试在OpenCV的SVM中使用它时，我发现OpenCV的模型中只有一个向量。OpenCV如何做到这一点？？
浏览 2提问于2011-03-30得票数 0
关于分类..。假设发现一个数据是线性可分的(使用SVM/聚类/单感知器等测试线性可分性)。我们是否可以使用更简单的模型，如逻辑回归(而不是SVM或其他)，因为他们说简单模型是更好的模型
如果错了，请纠正我
提前感谢！苏利亚
浏览 2提问于2017-06-06得票数 0
我用基于RBF核的支持向量机回归训练了一个模型。我想知道对于基于RBF核的支持向量机来说，哪些特征是非常重要的或主要的贡献特征。我知道有一种方法可以根据向量的大小来确定线性支持向量回归的最重要的特征。然而，对于基于RBF核的支持向量机，由于特征被转换到一个新的空间，我不知道如何提取最有贡献的特征。我正在使用python中的scikit-learn。有没有一种方法可以在基于RBF核的支持向量回归或非线性支持向量回归中提取最有贡献的特征？
from sklearn import svm
svm = svm.SVC(gamma=0.001, C=100., kernel = 'linear&
浏览 4提问于2019-11-19得票数 5
1回答
超平面支持向量机径向基生成方程
、、、、
我需要生成一个超平面方程，我有两个自变量和一个二元因变量。
关于svm的以下方程式，f(x)=sgn( sum_i alpha_i K(sv_i,x) + b )
我有两个自变量(例如P和Q)，每个变量有130个点值。我使用svm径向基函数进行二值分类(0和1)，并计算了径向基核化情况，现在我有了。
一列51y (i)α(i)或(对偶系数)。
两列51 sv (支持向量)的P和Q。
B的一个值。
我使用科舍特接收到了这些信息。
那么，我现在怎样才能生成方程呢？
对于每个变量P和Q，我可以用51 sv (支持向量)将这51y (i)α(i)或(对偶系数)乘以51 sv (支持向量)，从而使我的方
浏览 0提问于2019-02-25得票数 1
2回答
我试图可视化，线性回归模型如何绘制直线，当我们有多个特征和一个标签可以预测。就像我们有一个特征和一个标签，我们可以很容易地把它们绘制在二维图上，并画一条直线。即使我们有两个特征和一个标签，我们仍然可以在三维图形上绘制它们，但我无法想象，当我们有20个特征时会发生什么。威尔算法使用的是20维图形，还是我遗漏了什么。
我是机器学习的新手。所以这个问题可能是天真的。
浏览 0提问于2019-09-27得票数 1
1回答
我想用一个平面来分离3D中两类的一些点，并认为这应该可以使用支持向量机(SVM)来实现。
因此，我设置了以下数据文件(data.txt)，以便使用svmlight进行分析：
-1 1:1 2:1 3:0
1 1:1 2:2 3:0
-1 1:3 2:2 3:0
1 1:3 2:3 3:0
-1 1:5 2:3 3:0
1 1:5 2:4 3:0
-1 1:7 2:4 3:0
1 1:7 2:5 3:0
-1 1:1 2:1 3:2
1 1:1 2:2 3:2
-1 1:3 2:2 3:2
1 1:3 2:3 3:2
-1 1:5 2:3 3:2
1 1:5 2:4 3:2
-1
浏览 1提问于2012-08-27得票数 1
1回答
我的同事提到，一个数据科学项目正在使用SGD分类器。
因此，我开始阅读有关GD/SGD的文章，并遇到了一个不错的文章，它使用支持向量机和GD进行文本分类。
在文章末尾，作者提到：
我们从一堆要训练的文件开始。然后，我们将每个文档表示为数字向量，您可以选择将它们分割成n克，然后用TF-下手称这些n克。现在我们有了一个数值表示，我们可以给出程序的训练数据，并使它的猜测每次。根据程序的错误程度，程序根据错误进行调整，以便在下一次使用梯度下降进行更好的预测。它使用支持向量机( SVMs )跟踪学习，并通过在图中“绘制”新的数据点并查看它是在右边还是在决策边界的左边，用SVM模型进行预测。
这篇文章没有
浏览 0提问于2020-02-06得票数 1
1回答
SVM算法是如何找到最优超平面的？正边超平面方程为w.x-b=1，，负边界超平面方程为w.x-b=-1，，中间(最优)超平面方程为w.x-b=0).。我理解如何通过使用平面的法向量和的已知向量点(不是整个向量)来得到超平面方程。假设已知的向量点是x1，对于某些x，整个向量将是x。如果w.(x-x1)=0；w是平面的法向量，那么w.x=b最终得到了形式w.x=b。
现在，要得到一个超平面，我们需要一个法向量和一个已知点。该算法是如何在没有数据点(我认为是方程中需要的已知向量点)的情况下从训练数据中创建一个超平面的？
也许我误解了什么，或者我的逻辑不正确。
浏览 4提问于2016-06-23得票数 0
1回答
我有一个包含198行的数据帧trainData，如下所示
Matchup Win HomeID AwayID A_TWPCT A_WST6 A_SEED B_TWPCT B_WST6 B_SEED
1 2010_1115_1457 1 1115 1457 0.531 5 16 0.567 4 16
2 2010_1124_1358 1 1124 1358 0.774 5 3 0.75 5 14
...
testData与此类似。
为了使用支持向量机，我
浏览 1提问于2015-09-23得票数 1
我有4000个特征和35个样本的数据集。所有的特征都是介于1和3之间的浮点数，例如: 2.68244527684596。
我很难让任何分类器来处理这些数据。我使用了knn，svm (与线性，rbf，聚)。然后我学到了正常化的知识。尽管如此，这对我来说还是有点复杂，我无法让这段代码正常工作并给出正确的预测。
我用于数据规范化的代码是：
train_data = preprocessing.scale(train_data)
train_data = preprocessing.normalize(train_data,'l1',0)
我试图用它分类的代码是：
# SVM with
浏览 6提问于2015-11-10得票数 0
回答已采纳
4回答
是否可以在LIBLINEAR中使用直方图相交/chi sauare内核？
我的问题是我有一个大小为5000的特征向量，所有的特征都是直方图特征。我不知道如何使用SVM进行训练/测试。
如何使用支持向量机进行训练？
libSVM支持4种类型的内核。
0 -- linear: u'*v
1 -- polynomial: (gamma*u'*v + coef0)^degree
2 -- radial basis function: exp(-gamma*|u-v|^2)
3 -- sigmoid: tanh(gamma*u'*v + coef0)
LibSVM支持线性
浏览 2提问于2012-09-14得票数 0
回答已采纳
1回答
我尝试使用flink-ml实现进行一些二进制分类。当我评估分类时，我在训练数据集上得到了大约85%的错误率。我绘制了3D数据，看起来你可以用超平面很好地分离数据。
当我试图从支持向量机中获得权重向量时，我只看到了在不拦截超平面的情况下获得权重向量的选项。所以只有一个超平面通过(0,0,0)。
我不知道错误在哪里，我很欣赏每一条线索。
val env = ExecutionEnvironment.getExecutionEnvironment
val input: DataSet[(Int, Int, Boolean, Double, Double, Double)] = env.readCsv
浏览 4提问于2017-12-02得票数 7
是否可以使用SVM来学习输入为"Feature Matrix“而不是"Feature Vector”的训练样本？我需要通过将每个文档表示为特征矩阵来对XML文档进行分类。通常，特征向量用于训练SVM进行文本分类。然而，将XML文档表示为特征向量可能会导致结构化信息丢失！
提前感谢！
浏览 0提问于2013-02-20得票数 0
回答已采纳
1回答
将SVC (支持向量分类器)应用于这里显示的一维数据：
📷
参数成本C=0和C=Infinity的支持向量是什么？
就我所读到的支持向量机和超参数C而言，我想说：
对于C = 0，C = Infinity没有支持向量，所有的数据点都是支持向量。
这是正确的吗？注意，我说的是SVC，而不是SVM
浏览 0提问于2021-04-11得票数 1
1回答
我是R和SVM的新手，我正在尝试从e1071包中分析svm函数。但是，我找不到任何大型数据集，可以让我在不同大小的输入数据中获得良好的分析结果范围。有人知道如何解决svm问题吗？我应该使用哪个数据集？svm有没有什么特殊的参数可以让它更好地工作？
我复制了一些用于测试性能的命令。也许它最有用，也更容易获得我在这里尝试的内容：
#loading libraries
library(class)
library(e1071)
#I've been using golubEsets (more examples availables)
library(golubEsets)
#get th
浏览 0提问于2012-06-13得票数 5
回答已采纳
1回答
我有一组带+/-标签的N个数据点X，如果不存在这样的线性分隔符，我想要计算最大裕度线性分隔符(也称为分类器，超平面)。
在这个问题上，我不想避免过分恰当，因为我在其他地方也是如此。因此，没有松弛变量；没有交叉验证；支持向量的数量没有限制；只需找到最大裕度分隔符或失败。
我如何使用libsvm来做到这一点？我相信你不能在C-支持向量机中给c=0，在nu-svm中不能给nu=1 .
相关问题(我认为没有给出答案)：
浏览 0提问于2015-01-19得票数 0
回答已采纳
2回答
我读过关于SVM的文献，了解到对于复杂的划分，SVM从理论上将数据绘制成高维平面，使得在新维中数据是线性可分的，并且为了实现这一点，它使用了核函数代替实际将数据转换成一个更高的平面，从而给出了边界和数据点之间的边界距离。
但是，在图像分类器的情况下，这是如何工作的呢？比方说，我们需要把图片归类为狗或猫。在这个场景中，CNN模型将学习诸如耳朵大小、面部形状、鼻子形状和训练集的其他视觉特征，以便在狗和猫之间进行分类。但是，SVM在培训过程中学到了什么?在这种情况下，它是如何工作的？
浏览 0提问于2020-07-12得票数 1
回答已采纳
我试图理解如何在多类分类场景中使用一种Vs一种方法来解释decision_function值。我创建了一个包含100个样本的2D样本数据，每个样本包含4个类，存储在X&y变量中。以下是代码：
# 4 Classes - Make 4 separate datasets
d1, o1 = make_blobs(n_samples = 100, n_features = 2, centers = 1, random_state=0, cluster_std = 0.5)
d2, o2 = make_blobs(n_samples = 100, n_features = 2, centers
浏览 2提问于2019-12-27得票数 1
回答已采纳
2回答
我使用SKLearn对我的数据运行SVC。
from sklearn import svm
svc = svm.SVC(kernel='linear', C=C).fit(X, y)
我想知道如何才能得到X中每个数据点与决策边界的距离？
浏览 3提问于2015-08-18得票数 4
回答已采纳
我想创建一个风格化的图表来解释SVM分类器。 代码和图形： import plotly.graph_objs as go
import numpy as np
import pandas as pd
from plotly.subplots import make_subplots
columns = ['x1','y1','z1','x1','y2','z2','xl1','yl1']
x1 = np.random.normal(1,0.2,50)
y1 =
浏览 37提问于2021-02-04得票数 2
我们有一个软裕度线性支持向量机，其方程如下：
📷
如果b= 0，表示超平面通过原点，那么SVM将如何执行？
浏览 0提问于2021-05-16得票数 0
回答已采纳
我有一个我训练过的支持向量机模型(SVC(class_ SVM =‘balanced’))。我使用predict_proba()来获得计算ROC AUC的概率，并使用predict()来获得对f1_score的预测。从文档中可以看到(predict_proba() > 0.5).astype(int) ==预测()，但是情况并非如此。谁能帮我理解为什么不呢？我的f1_score和中华民国的成绩仍然有效吗？
a = svm.predict_proba(vec.transform(X))[:,1]
b = svm.predict(vec.transform(X))
print(np.mean
浏览 8提问于2022-11-18得票数 -1
1回答
我有一个只有一个特征的数据集，我正在使用scikit-learn训练支持向量分类器。我想可视化结果，但我对如何绘制散点有点困惑。我通过执行以下操作来获得我的超平面： slope = clf.coef_[0][0]
intercept = clf.intercept_[0] 结果是y= -.01x + 2.5 我猜这是我的超飞机。我似乎不知道如何在只有一个特征的情况下绘制我的数据。我将为y轴使用什么？
浏览 34提问于2019-09-28得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
腾讯会议活动推荐
腾讯云开发者
