SVM: Разделяющая гиперплоскость с максимальным зазором

Построение разделяющей гиперплоскости с максимальным зазором для разделимого набора данных с двумя классами с помощью классификатора метода опорных векторов с линейным ядром.

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

import matplotlib.pyplot as plt

from sklearn import svm
from sklearn.datasets import make_blobs
from sklearn.inspection import DecisionBoundaryDisplay

# we create 40 separable points
X, y = make_blobs(n_samples=40, centers=2, random_state=6)

# fit the model, don't regularize for illustration purposes
clf = svm.SVC(kernel="linear", C=1000)
clf.fit(X, y)

plt.scatter(X[:, 0], X[:, 1], c=y, s=30, cmap=plt.cm.Paired)

# plot the decision function
ax = plt.gca()
DecisionBoundaryDisplay.from_estimator(
    clf,
    X,
    plot_method="contour",
    colors="k",
    levels=[-1, 0, 1],
    alpha=0.5,
    linestyles=["--", "-", "--"],
    ax=ax,
)
# plot support vectors
ax.scatter(
    clf.support_vectors_[:, 0],
    clf.support_vectors_[:, 1],
    s=100,
    linewidth=1,
    facecolors="none",
    edgecolors="k",
)
plt.show()

Общее время выполнения скрипта: (0 минут 0.067 секунды)

Download Jupyter notebook: plot_separating_hyperplane.ipynb

Download Python source code: plot_separating_hyperplane.py

Download zipped: plot_separating_hyperplane.zip

Похожие примеры

SVM: Разделяющая гиперплоскость для несбалансированных классов

Построение опорных векторов в LinearSVC

SGD: Разделяющая гиперплоскость с максимальным зазором

SVM с пользовательским ядром