注意
转到末尾以下载完整示例代码，或通过JupyterLite或Binder在浏览器中运行此示例。
在鸢尾花数据集的2D投影上比较不同的线性SVM分类器。我们只考虑此数据集的前2个特征
萼片长度
萼片宽度
此示例演示如何绘制具有不同核的四个SVM分类器的决策面。
线性模型 LinearSVC() 和 SVC(kernel='linear') 会产生略微不同的决策边界。这可能是由于以下差异造成的：
LinearSVC 最小化平方合页损失（squared hinge loss），而 SVC 最小化正则合页损失（regular hinge loss）。
LinearSVC 使用“一对多”（One-vs-All，也称为One-vs-Rest）多类别归约，而 SVC 使用“一对一”（One-vs-One）多类别归约。
两种线性模型都具有线性决策边界（相交的超平面），而非线性核模型（多项式或高斯RBF）具有更灵活的非线性决策边界，其形状取决于核的类型及其参数。
注意
虽然为玩具2D数据集绘制分类器的决策函数有助于直观理解它们各自的表达能力，但请注意，这些直觉并不总是能推广到更现实的高维问题。
# Authors: The scikit-learn developers # SPDX-License-Identifier: BSD-3-Clause import matplotlib.pyplot as plt from sklearn import datasets, svm from sklearn.inspection import DecisionBoundaryDisplay # import some data to play with iris = datasets.load_iris() # Take the first two features. We could avoid this by using a two-dim dataset X = iris.data[:, :2] y = iris.target # we create an instance of SVM and fit out data. We do not scale our # data since we want to plot the support vectors C = 1.0 # SVM regularization parameter models = ( svm.SVC(kernel="linear", C=C), svm.LinearSVC(C=C, max_iter=10000), svm.SVC(kernel="rbf", gamma=0.7, C=C), svm.SVC(kernel="poly", degree=3, gamma="auto", C=C), ) models = (clf.fit(X, y) for clf in models) # title for the plots titles = ( "SVC with linear kernel", "LinearSVC (linear kernel)", "SVC with RBF kernel", "SVC with polynomial (degree 3) kernel", ) # Set-up 2x2 grid for plotting. fig, sub = plt.subplots(2, 2) plt.subplots_adjust(wspace=0.4, hspace=0.4) X0, X1 = X[:, 0], X[:, 1] for clf, title, ax in zip(models, titles, sub.flatten()): disp = DecisionBoundaryDisplay.from_estimator( clf, X, response_method="predict", cmap=plt.cm.coolwarm, alpha=0.8, ax=ax, xlabel=iris.feature_names[0], ylabel=iris.feature_names[1], ) ax.scatter(X0, X1, c=y, cmap=plt.cm.coolwarm, s=20, edgecolors="k") ax.set_xticks(()) ax.set_yticks(()) ax.set_title(title) plt.show()
脚本总运行时间： (0 minutes 0.166 seconds)
相关示例
由 Sphinx-Gallery 生成的图库
