SVM Kernel Datenklassifizierung

Einführung

Dieses Labor bietet einen schrittweisen Leitfaden darüber, wie man SVM-Kerne verwendet, um Datenpunkte zu klassifizieren. SVM-Kerne sind besonders nützlich, wenn die Datenpunkte nicht linear trennbar sind. Wir werden Python scikit-learn verwenden, um diese Aufgabe auszuführen.

VM-Tipps

Nachdem der VM-Start abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu öffnen.

Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund von Einschränkungen in Jupyter Notebook nicht automatisiert werden.

Wenn Sie bei der Lernphase Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback, und wir werden das Problem für Sie prompt beheben.

Skills Graph

Bibliotheken importieren

In diesem Schritt werden wir die erforderlichen Bibliotheken importieren, um die Klassifizierungsaufgabe auszuführen.

import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm

Dataset und Ziele erstellen

In diesem Schritt werden wir ein Dataset und Ziele für unsere Klassifizierungsaufgabe erstellen. Wir werden die numpy-Bibliothek verwenden, um das Dataset und die Ziele zu erstellen.

X = np.c_[
    (0.4, -0.7),
    (-1.5, -1),
    (-1.4, -0.9),
    (-1.3, -1.2),
    (-1.1, -0.2),
    (-1.2, -0.4),
    (-0.5, 1.2),
    (-1.5, 2.1),
    (1, 1),
    ## --
    (1.3, 0.8),
    (1.2, 0.5),
    (0.2, -2),
    (0.5, -2.4),
    (0.2, -2.3),
    (0, -2.7),
    (1.3, 2.1),
].T
Y = [0] * 8 + [1] * 8

Modell erstellen

In diesem Schritt werden wir das SVM-Kernel-Modell mit drei verschiedenen Kernen erstellen: linear, polynomial und radial basis function (RBF). Der lineare Kernel wird für linear trennbare Datenpunkte verwendet, während die polynomialen und RBF-Kerne für nicht linear trennbare Datenpunkte nützlich sind.

## fit the model
for kernel in ("linear", "poly", "rbf"):
    clf = svm.SVC(kernel=kernel, gamma=2)
    clf.fit(X, Y)

Modell visualisieren

In diesem Schritt werden wir das SVM-Kernel-Modell visualisieren, indem wir die Linie, die Punkte und die nächsten Vektoren zur Ebene darstellen.

    ## plot the line, the points, and the nearest vectors to the plane
    plt.figure(fignum, figsize=(4, 3))
    plt.clf()

    plt.scatter(
        clf.support_vectors_[:, 0],
        clf.support_vectors_[:, 1],
        s=80,
        facecolors="none",
        zorder=10,
        edgecolors="k",
    )
    plt.scatter(X[:, 0], X[:, 1], c=Y, zorder=10, cmap=plt.cm.Paired, edgecolors="k")

    plt.axis("tight")
    x_min = -3
    x_max = 3
    y_min = -3
    y_max = 3

    XX, YY = np.mgrid[x_min:x_max:200j, y_min:y_max:200j]
    Z = clf.decision_function(np.c_[XX.ravel(), YY.ravel()])

    ## Put the result into a color plot
    Z = Z.reshape(XX.shape)
    plt.figure(fignum, figsize=(4, 3))
    plt.pcolormesh(XX, YY, Z > 0, cmap=plt.cm.Paired)
    plt.contour(
        XX,
        YY,
        Z,
        colors=["k", "k", "k"],
        linestyles=["--", "-", "--"],
        levels=[-0.5, 0, 0.5],
    )

    plt.xlim(x_min, x_max)
    plt.ylim(y_min, y_max)

    plt.xticks(())
    plt.yticks(())
    fignum = fignum + 1
plt.show()

Zusammenfassung

In diesem Lab haben wir gelernt, wie man SVM-Kerne verwendet, um Datenpunkte zu klassifizieren. Wir haben ein Dataset und Ziele erstellt, das SVM-Kernel-Modell mit drei verschiedenen Kernen erstellt und das Modell visualisiert. SVM-Kerne sind besonders nützlich, wenn die Datenpunkte nicht linear trennbar sind.