Примечание

Перейти к концу для скачивания полного примера кода. Или запустить этот пример в вашем браузере через JupyterLite или Binder

Графическое представление различных классификаторов SVM на наборе данных Iris

Сравнение различных линейных классификаторов SVM на 2D проекции набора данных Iris. Мы рассматриваем только первые 2 признака этого набора данных:

Длина чашелистика
Ширина чашелистика

Этот пример демонстрирует, как построить поверхность решений для четырёх классификаторов SVM с различными ядрами.

Линейные модели LinearSVC() и SVC(kernel='linear') дают несколько разные границы решений. Это может быть следствием следующих различий:

LinearSVC минимизирует квадратичную функцию потерь, в то время как SVC минимизирует обычную функцию потерь.
LinearSVC использует многоклассовое уменьшение One-vs-All (также известное как One-vs-Rest), в то время как SVC использует многоклассовое уменьшение One-vs-One.

Оба линейных модели имеют линейные границы решений (пересекающиеся гиперплоскости), в то время как модели с нелинейными ядрами (полиномиальными или гауссовыми RBF) имеют более гибкие нелинейные границы решений с формами, зависящими от типа ядра и его параметров.

Примечание

хотя построение функции решений классификаторов для наборов данных на плоскости может помочь получить интуитивное представление о их выразительных возможностях, помните, что эти интуиции не всегда обобщаются на более реалистичные задачи в многомерных пространствах.

SVC with linear kernel, LinearSVC (linear kernel), SVC with RBF kernel, SVC with polynomial (degree 3) kernel

# 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()

Общее время выполнения скрипта: (0 минут 0,209 секунды)

Связанные примеры

Граница решений полунадзорных классификаторов по сравнению с SVM на наборе данных Iris

SVM с пользовательским ядром

Графическое представление опорных векторов в LinearSVC

Графическое представление границ решений VotingClassifier

© 2007–2025 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.6/auto_examples/svm/plot_iris_svc.html