首页
/ 线性可分支持向量机(SVM)原理与实现 - 基于GenTang/intro_ds项目分析

线性可分支持向量机(SVM)原理与实现 - 基于GenTang/intro_ds项目分析

2025-06-29 23:12:49作者:农烁颖Land

引言

支持向量机(Support Vector Machine, SVM)是一种强大的监督学习算法,特别适用于分类任务。本文将通过GenTang/intro_ds项目中的线性可分SVM实现代码,深入讲解SVM的核心原理和实际应用。

线性可分SVM基础概念

线性可分SVM的核心思想是找到一个最优超平面,将不同类别的数据点分开,并使两类数据点到这个超平面的最小距离最大化。这个最优超平面被称为最大间隔超平面

关键术语解释

  1. 支持向量:距离超平面最近的样本点,决定了超平面的位置
  2. 间隔(margin):两个平行于超平面且分别经过正负类支持向量的平面之间的距离
  3. 决策边界:用于分类的超平面

代码实现解析

1. 数据生成

项目提供了两种数据生成函数:

def generateSeparatableData(n):
    # 生成线性可分数据
    np.random.seed(2046)
    X = np.r_[np.random.randn(n, 2) - [1, 1], np.random.randn(n, 2) + [3, 3]]
    Y = [[0]] * n + [[1]] * n
    data = np.concatenate((Y, X), axis=1)
    data = pd.DataFrame(data, columns=["y", "x1", "x2"])
    return data

def generateInseparatableData(n):
    # 生成线性不可分数据
    data = generateSeparatableData(n)
    inseparatable = [[1, -1, 1.5], [0, 3, 1]]
    inseparatable = pd.DataFrame(inseparatable, columns=["y", "x1", "x2"])
    data = data.append(inseparatable)
    return data
  • generateSeparatableData生成两组正态分布数据,分别以(-1,-1)和(3,3)为中心
  • generateInseparatableData在可分数据基础上添加两个异常点,使数据变得线性不可分

2. 模型训练

def trainModel(data):
    # 训练SVM模型
    model = SVC(C=1e4, kernel="linear")
    model.fit(data[["x1", "x2"]], data["y"])
    return model

这里使用了sklearnSVC类,关键参数:

  • C=1e4:设置很大的惩罚系数,使模型更倾向于找到完美分类的超平面
  • kernel="linear":使用线性核函数

3. 结果可视化

def visualize(data, model=None):
    # 可视化结果
    fig = plt.figure(figsize=(6, 6), dpi=80)
    ax = fig.add_subplot(1, 1, 1)
    # 绘制数据点
    label1 = data[data["y"]>0]
    ax.scatter(label1[["x1"]], label1[["x2"]], marker="o")
    label0 = data[data["y"]==0]
    ax.scatter(label0[["x1"]], label0[["x2"]], marker="^", color="k")
    
    if model is not None:
        # 绘制决策边界和间隔
        w = model.coef_
        a = -w[0][0] / w[0][1]
        xx = np.linspace(-3, 5)
        yy = a * xx - (model.intercept_) / w[0][1]
        yy_down = yy - 1 / w[0][1]
        yy_up = yy + 1 / w[0][1]
        ax.plot(xx, yy, "r")
        ax.plot(xx, yy_down, "r--")
        ax.plot(xx, yy_up, "r--")
    plt.show()

可视化部分展示了:

  • 不同类别数据点的分布(圆形和三角形)
  • 决策边界(红色实线)
  • 间隔边界(红色虚线)

数学原理深入

超平面方程

决策超平面可以表示为: w·x + b = 0

其中:

  • w是法向量,决定超平面的方向
  • b是位移项,决定超平面与原点的距离

间隔计算

两个间隔边界的方程分别为: w·x + b = 1 w·x + b = -1

间隔距离为:2/||w||

优化目标

SVM的优化目标是最大化间隔,等价于最小化||w||²/2: min 1/2 ||w||² s.t. y_i(w·x_i + b) ≥ 1, ∀i

实际应用中的注意事项

  1. 线性可分性:真实数据往往不是严格线性可分的,这时需要引入松弛变量
  2. 参数C的选择:C值越大对误分类的惩罚越大,可能导致过拟合
  3. 特征缩放:SVM对特征的尺度敏感,建议先进行标准化处理
  4. 核函数选择:线性不可分时可考虑使用非线性核函数

总结

通过GenTang/intro_ds项目中的线性可分SVM实现,我们学习了:

  1. SVM的基本原理和最大间隔思想
  2. 如何使用scikit-learn实现线性SVM
  3. 如何可视化和解释SVM模型结果
  4. SVM的数学基础和优化目标

线性可分SVM是理解更复杂SVM模型的基础,掌握这些概念对于后续学习非线性SVM和核方法至关重要。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
47
248
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
346
381
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
871
516
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
263
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
131
184
kernelkernel
deepin linux kernel
C
22
5
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
7
0
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
335
1.09 K
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
31
0
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0