python自帶svm

『壹』 python sklearn里的svm.SVC怎麼輸出分類概率

fromsklearn.svmimportSVC
model=SVC()
model.fit(X_train,y_train)
model.predict(X_test)#輸出類別
model.predict_proba(X_test)#輸出分類概率
model.predict_log_proba(X_test)#輸出分類概率的對數

『貳』 如何利用python使用libsvm

包解壓C盤：C:\libsvm-三.一吧二. 要用libsvm自帶腳本grid.pyeasy.py,需要官中國載繪圖工具gnuplot,解壓c盤.進入c:\libsvm\tools目錄用文本編輯器（記事本edit都）修改grid.pyeasy.py兩文件找其關於gnuplot路徑項根據實際路徑進行修改並保存 python與libsvm連接（參考SVM習筆記（二）LIBSVMpython使用） 一.打IDLE(pythonGUI)輸入>>>importsys>>>sys.version 二.python三二位現字元： (default,Apr一0二0一二,二三:三一:二陸)[MSCv.一500三二bit(Intel)]』 候LIBSVMpython介面設置液此非簡單libsvm-三.一陸文件夾windows文件夾找態鏈接庫libsvm.dll其添加系統目錄`C:\WINDOWS\system三二\』即python使用libsvm wk_ad_begin({pid : 二一});wk_ad_after(二一, function(){$('.ad-hidden').hide();}, function(){$('.ad-hidden').show();}); 三.執行例 importos os.chdir('C:\libsvm-三.一吧\python')#請根據實際路徑修改 辯盯fromsvmutilimport* y,x=svm_read_problem('../heart_scale')#讀取自帶數據 m=svm_train(y[:二00],x[:二00],'-c四') p_label,p_acc,p_val=svm_predict(y[二00:],x[二00:],m) ##現結應該確安裝optimizationfinished,#iter=二5漆nu=0.三5一一陸一 obj=-二二5.陸二吧9吧四,rho=0.陸三陸一一0nSV=9一,nBSV=四攜埋和9 TotalnSV=9一 Accuracy=吧四.二吧5漆%(59/漆0)(classification

『叄』 如何利用 Python 實現 SVM 模型

我先直觀地闡述我對SVM的理解，這其中不會涉及數學公式，然後給出Python代碼。

SVM是一種二分類模型，處理的數據可以分為三類：

• 線性可分，通過硬間隔最大化，學習線性分類器

• 近似線性可分，通過軟間隔最大化，學習線性分類器

• 線性不可分，通過核函數以及軟間隔最大化，學習非線性分類器

線性分類器，在平面上對應直線；非線性分類器，在平面上對應曲線。

硬間隔對應於線性可分數據集，可以將所有樣本正確分類，也正因為如此，受雜訊樣本影響很大，不推薦。

軟間隔對應於通常情況下的數據集（近似線性可分或線性不可分），允許一些超平面附近的樣本被錯誤分類，從而提升了泛化性能。

如下圖：

我們可以看到，當支持向量太少，可能會得到很差的決策邊界。如果支持向量太多，就相當於每次都利用整個數據集進行分類，類似KNN。

『肆』 python的一個SVM多分類例子

一個SVM的簡單例子可以從中窺探奧秘，大家可以更改X的數值，更改Y 的標簽名

『伍』 如何利用python使用libsvm

把包解壓在C盤之中，如：C:\libsvm-3.182. 因為要用libsvm自帶的腳本grid.py和easy.py,需要去官網下載繪圖工具gnuplot,解壓到c盤.進入c:\libsvm\tools目錄下，用文本編輯器（記事本，edit都可以）修改grid.py和easy.py兩個文件，找到其中關於gnuplot路徑的那項，根據實際路徑進行修改，並保存 python與libsvm的連接（參考SVM學習筆記（2）LIBSVM在python下的使用） 1.打開IDLE(pythonGUI)，輸入>>>importsys>>>sys.version 2.如果你的python是32位，將出現如下字元： (default,Apr102012,23:31:26)[MSCv.150032bit(Intel)]』 這個時候LIBSVM的python介面設置將非常簡單。在libsvm-3.16文件飢圓夾下的windows文件夾中找到動態鏈接庫libsvm.dll，將其添加到系統目錄，如脊肢漏`C:\WINDOWS\system32\』，即可在python中使用libsvm wk_ad_begin({pid : 21});wk_ad_after(21, function(){$('.ad-hidden').hide();}, function(){$('.ad-hidden').show();}); 3.執櫻爛行一個小例子 importos os.chdir('C:\libsvm-3.18\python')#請根據實際路徑修改 fromsvmutilimport* y,x=svm_read_problem('../heart_scale')#讀取自帶數據 m=svm_train(y[:200],x[:200],'-c4') p_label,p_acc,p_val=svm_predict(y[200:],x[200:],m) ##出現如下結果，應該是正確安裝了optimizationfinished,#iter=257nu=0.351161 obj=-225.628984,rho=0.636110nSV=91,nBSV=49 TotalnSV=91 Accuracy=84.2857%(59/70)(classification)

『陸』 python怎麼實現opencv3 svm訓練模型保存和載入

在做模型訓練的時候，尤其是在訓練集上做交叉驗證，通常想要將模型保存下來，然後放到獨立的測試集上測試，下面介紹的是python中訓練模型的保存和再使用。
scikit-learn已經有了模型持久化的操作，導入joblib即可
from sklearn.externals import joblib
模型保存
>>> os.chdir("workspace/model_save")>>> from sklearn import svm>>> X = [[0, 0], [1, 1]]>>> y = [0, 1]>>> clf = svm.SVC()>>> clf.fit(X, y) >>> clf.fit(train_X,train_y)>>> joblib.mp(clf, "train_model.m")
通過joblib的mp可以將模型保存到本地，clf是訓練的分類器
模型從本地調回
>>> clf = joblib.load("train_model.m")
通過joblib的load方法，載入保存的模型。
然後就可以在測試集上測試了
clf.predit(test_X，test_y)

『柒』 如何利用python使用libsvm

• 准備工具

  libsvm軟體包；

  電腦；

• 步驟操作

1. 把包解壓在C盤之中，如：C:libsvm-3.18；

2. 用libsvm自帶的腳本grid.py和easy.py,需要去官網下載繪圖工具gnuplot,解壓到c盤；

3. 進入c:libsvm ools目錄下，用文本編輯器（記事本，edit都可以）修改grid.py和easy.py兩個文件，找到其中關於gnuplot路徑的那項，根據實際路徑進行修改，並保存；

   
   

『捌』 求python支持向量機數據設置標簽代碼

以下是使用Python中的Scikit-learn庫實現支持向量機（SVM）模型的盯寬數據設置標簽代碼示例：

from sklearn import svm

# 假設有以下三個樣本的數據：

X = [[0, 0], [1, 1], [2, 2]]

y = [0, 1, 1] # 對應每個數據點的標簽，凱悔0表示負樣本，1表示正樣本

# 創建SVM模型

clf = svm.SVC()

# 將數據集(X)和標簽(y)作為訓練數據來訓練模型

clf.fit(X, y)



上述代碼中，X是一個二維數組，每個元素都代表一個數據點的特徵值，y是一凱孫亮個一維數組，每個元素都代表對應數據點的標簽。通過將X和y作為訓練數據，可以訓練SVM模型並得到分類結果。

『玖』 python svm 怎麼訓練模型

支持向量機SVM(Support Vector Machine)是有監督的分類預測模型，本篇文章使用機器學習庫scikit-learn中的手寫數字數據集介紹使用Python對SVM模型進行訓練並對手寫數字進行識別的過程。

准備工作

手寫數字識別的原理是將數字的圖片分割為8X8的灰度值矩陣，將這64個灰度值作為每個數字的訓練集對模型進行訓練。手寫數字所對應的真實數字作為分類結果。在機器學習sklearn庫中已經包含了不同數字的8X8灰度值矩陣，因此我們首先導入sklearn庫自帶的datasets數據集。然後是交叉驗證庫，SVM分類演算法庫，繪制圖表庫等。

12345678910#導入自帶數據集from sklearn import datasets#導入交叉驗證庫from sklearn import cross_validation#導入SVM分類演算法庫from sklearn import svm#導入圖表庫import matplotlib.pyplot as plt#生成預測結果准確率的混淆矩陣from sklearn import metrics

讀取並查看數字矩陣

從sklearn庫自帶的datasets數據集中讀取數字的8X8矩陣信息並賦值給digits。

12#讀取自帶數據集並賦值給digitsdigits = datasets.load_digits()

查看其中的數字9可以發現，手寫的數字9以64個灰度值保存。從下面的8×8矩陣中很難看出這是數字9。

12#查看數據集中數字9的矩陣digits.data[9]

以灰度值的方式輸出手寫數字9的圖像，可以看出個大概輪廓。這就是經過切割並以灰度保存的手寫數字9。它所對應的64個灰度值就是模型的訓練集，而真實的數字9是目標分類。我們的模型所要做的就是在已知64個灰度值與每個數字對應關系的情況下，通過對模型進行訓練來對新的手寫數字對應的真實數字進行分類。

1234#繪制圖表查看數據集中數字9的圖像plt.imshow(digits.images[9], cmap=plt.cm.gray_r, interpolation='nearest')plt.title('digits.target[9]')plt.show()


從混淆矩陣中可以看到，大部分的數字SVM的分類和預測都是正確的，但也有個別的數字分類錯誤，例如真實的數字2，SVM模型有一次錯誤的分類為1，還有一次錯誤分類為7。