针对SVM算法初步研究

归纳编程学习的感悟，
记录奋斗路上的点滴，
希望能帮到一样刻苦的你！
如有不足欢迎指正！
共同学习交流！
🌎欢迎各位→点赞 👍+ 收藏⭐ + 留言📝
心态决定高度，细节决定成败！

初识SVM算法：

支持向量机（Support Vector Machine, SVM）是一种监督学习算法，主要用于分类和回归分析。SVM的基本模型是定义在特征空间上的间隔最大的线性分类器，其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。在分类任务中，SVM试图找到一个超平面来区分不同类别的数据，这个超平面不仅需要正确地分类训练数据，而且还要确保两类数据到这个超平面的距离最大化，这样可以使得模型具备更好的泛化能力。

SVM能够执行线性或非线性分类、回归，甚至是异常值检测任务。它是机器学习领域最受欢迎的模型之一。SVM特别适用于中小型复杂数据集的分类。

超平⾯最⼤间隔

下面左图显示了三种可能的线性分类器的决策边界，虚线代表的模型表现⾮常糟糕，甚⾄都⽆法正确实现分类。

其余两个模型(红线和紫线)在训练集上表现比较完美，但是它们的决策边界与实例过于接近，导致在⾯对新实例时，表现可能不会太好。

而下面右图中的实线代表不仅分离了两个类别，且尽可能远离最近的训练实例

硬间隔和软间隔：

硬间隔分类：

在上面我们使用超平面进行分割数据的过程中，如果我们严格地让所有实例都不在最大间隔之间，并且位于正确的一边，这就是硬间隔分类。

硬间隔分类有两个问题，首先，它只在数据是线性可分离的时候才有效；其次，它对异常值非常敏感。

软间隔分类：

要避免这些问题，最好使用更灵活的模型。目标是尽可能在保持最大间隔宽阔和限制间隔违例（即位于最大间隔之上，甚至在错误的一边的实例）之间找到良好的平衡，这就是软间隔分类。

下面我们来用python写一个简单的SVM模型：

使用Python实现一个简单的SVM算法，可以使用scikit-learn库，这是一个非常流行的机器学习库，它提供了SVM的支持。

首先，需要安装scikit-learn,可以通过pip来安装：

pip install scikit-learn

# 导入必要的库
from sklearn import svm  # SVM分类器
from sklearn.datasets import make_blobs  # 生成模拟数据
import numpy as np  # 数值计算库

# 生成一些随机数据点，分成两组
X, y = make_blobs(n_samples=50, centers=2, random_state=0, cluster_std=0.60)

# 创建一个线性核函数的SVM分类器
# kernel='linear' 指定使用线性核函数
# C=1.0 是惩罚参数C的倒数，表示对误分类的容忍度
clf = svm.SVC(kernel='linear', C=1.0)

# 使用生成的数据训练SVM模型
# fit方法接受特征矩阵X和目标向量y
clf.fit(X, y)

# 生成两个新的数据点，准备用于预测
new_data = np.array([[0, 0], [1, 1]])

# 使用训练好的模型对新数据点进行预测
predictions = clf.predict(new_data)

# 打印预测结果
print("Predictions:", predictions)

代码解释：

导入必要的库：
- sklearn：Scikit-Learn库，提供了各种机器学习算法。
- numpy：用于数值运算的库。
生成数据：
- make_blobs函数用于生成一组模拟的聚类数据点。
- n_samples参数指定要生成的数据点数量。
- centers参数指定中心点的数量，本例中为2，意味着生成的数据将大致分为两组。
- random_state用于设置随机种子，保证每次运行生成相同的数据。
- cluster_std参数指定了簇的标准差，用来控制生成数据的分散程度。
创建SVM分类器：
svm.SVC()创建一个支持向量分类器对象。kernel='linear'参数指定使用线性核函数，即寻找一个线性决策边界。C=1.0参数控制了对误分类的惩罚程度，较大的C值意味着模型对误分类的容忍度更低。
训练模型：
fit(X, y)方法用于训练模型，其中X是特征矩阵，y是目标向量。
预测新数据：
predict(new_data)方法用于对新的数据点进行分类预测。
输出结果：
最后，打印出对新数据点的预测结果。