Python实现线性SVM分类：生成数据、训练模型并预测新样本

使用Python实现线性SVM分类：生成数据、训练模型并预测新样本

本教程将使用Python语言，利用scikit-learn库，演示如何生成随机数据，训练线性支持向量机模型，并对新样本进行分类预测。代码示例涵盖数据生成、模型训练、参数输出和预测过程。

1. 生成数据

首先，我们需要生成一些随机数据。我们将生成100个数据点，每个数据点包含两个特征（x1, x2）。我们将这些数据点划分为两类：0类和1类。

import numpy as np

# 随机生成100个数据点
np.random.seed(0)
X = np.random.randn(100, 2)
y = np.zeros(100)
# 将前50个数据点划分为1类
y[:50] = 1

2. 训练模型

接下来，我们将使用scikit-learn库中的SVC类来训练线性SVM模型。我们将使用'linear'核函数。

from sklearn.svm import SVC

# 构建SVM模型
clf = SVC(kernel='linear')
# 训练模型
clf.fit(X, y)
# 输出模型参数
print('W:', clf.coef_)
print('b:', clf.intercept_)

3. 预测新样本

最后，我们将使用训练好的模型对新的样本进行分类预测。

# 预测新样本
new_X = np.array([[1, 2], [-1, -2]])
print(clf.predict(new_X))

完整代码：

import numpy as np
from sklearn.svm import SVC

# 随机生成100个数据点
np.random.seed(0)
X = np.random.randn(100, 2)
y = np.zeros(100)
# 将前50个数据点划分为1类
y[:50] = 1

# 构建SVM模型
clf = SVC(kernel='linear')
# 训练模型
clf.fit(X, y)
# 输出模型参数
print('W:', clf.coef_)
print('b:', clf.intercept_)

# 预测新样本
new_X = np.array([[1, 2], [-1, -2]])
print(clf.predict(new_X))

代码说明：

• np.random.randn(100, 2)：生成100个随机数据点，每个数据点包含两个特征（x1, x2）。
• y[:50] = 1：将前50个数据点的类别设置为1，其余数据点的类别设置为0。
• SVC(kernel='linear')：创建一个线性SVM模型。
• clf.fit(X, y)：使用生成的数据训练模型。
• clf.coef_：输出模型参数W。
• clf.intercept_：输出模型参数b。
• clf.predict(new_X)：对新样本进行分类预测。

本教程演示了如何使用Python语言实现线性SVM分类。你可以根据自己的需要修改代码，例如改变数据生成方式、调整模型参数、使用不同的核函数等。