在Python中创建线性核 SVM

先决条件：支持向量机

让我们使用Python的 sklearn 库和可以在Python的数据集库中找到的Iris 数据集创建一个线性内核 SVM 。

当数据是线性可分时使用线性核，即可以使用单个 Line 将其分开。它是最常用的内核之一。它主要用于特定数据集中有大量特征的情况。有很多特征的例子之一是文本分类，因为每个字母表都是一个新特征。所以我们在文本分类中主要使用线性核。

注意：运行以下代码时，互联网连接必须稳定，因为它涉及下载数据。

在上图中，有两组特征“蓝色”特征和“黄色”特征。由于这些可以很容易地分离，或者换句话说，它们是线性可分的，所以这里可以使用线性内核。

使用线性内核的优点：

1. 使用线性内核训练SVM比使用任何其他内核都快。

2. 用Linear Kernel训练SVM时，只需要优化C Regularization参数即可。另一方面，当使用其他内核进行训练时，需要优化γ参数，这意味着执行网格搜索通常会花费更多时间。

# Import the Libraries
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
  
# Import some Data from the iris Data Set
iris = datasets.load_iris()
  
# Take only the first two features of Data.
# To avoid the slicing, Two-Dim Dataset can be used
  
X = iris.data[:, :2]
y = iris.target
  
# C is the SVM regularization parameter
C = 1.0 
  
# Create an Instance of SVM and Fit out the data.
# Data is not scaled so as to be able to plot the support vectors
svc = svm.SVC(kernel ='linear', C = 1).fit(X, y)
  
# create a mesh to plot
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
h = (x_max / x_min)/100
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
         np.arange(y_min, y_max, h))
  
# Plot the data for Proper Visual Representation
plt.subplot(1, 1, 1)
  
# Predict the result by giving Data to the model
Z = svc.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap = plt.cm.Paired, alpha = 0.8)
  
plt.scatter(X[:, 0], X[:, 1], c = y, cmap = plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.title('SVC with linear kernel')
  
# Output the Plot
plt.show()

输出：

在这里，所有特征都使用简单的线条分隔，从而表示线性内核。