创作不易觉得有帮助请点赞关注收藏~~~
很多问题使用线性SVM分类器就能有效处理，但实际上也存在很多非线性问题，数据集无法进行线性划分，处理非线性数据集的方法之一是添加更多特征，比如多项式，添加新特征后，数据集维度更高，能够形成一个划分超平面。
下面使用SVC(SVM中的分类算法)处理K-means聚类无法解决的半环形moons数据集的分类问题
Piplline（）函数能够对三个函数模块进行封装，将前一个函数的结果传递个下一个函数，
结果可视化如下
可以看出 SVC模型可以将半环形数据集进行准确的划分，从而解决了K-means中仅仅依靠距离进行分类的局限性，因此，对于非线性问题来说，SVM提供了崭新的思路和良好的解决方案！
源代码如下
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.preprocessing import PolynomialFeatures
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC
from sklearn.pipeline import Pipeline
x,y=make_moons(n_samples=100,noise=0.1,random_st发布者：admin，转转请注明出处：http://www.yc00.com/web/1754940918a5218129.html
评论列表（0条）