支持向量机的算法用于对数据进行二分类，大多数用于监督学习的机器学习问题。下面是用支持向量机进行一个实际的分类举例。
导入必要的代码包，涉及矩阵运算与绘图，因此需要导入numpy与matplotlib包
代码语言：javascript复制from numpy import *
import time
import matplotlib.pyplot as pltdef calcKernelValue(matrix_x, sample_x, kernelOption):
kernelType = kernelOption[0]
numSamples = matrix_x.shape[0]
kernelValue = mat(zeros((numSamples, 1)))
if kernelType == 'linear':
kernelValue = matrix_x * sample_x.T
elif kernelType == 'rbf':
sigma = kernelOption[1]
if sigma == 0:
sigma = 1.0
for i in range(numSamples):
diff = matrix_x[i, :] - sample_x
kernelValue[i] = exp(diff * diff.T / (-2.0 * sigma ** 2))
else:
raise NameError('Not support kernel type! You can use linear or rbf!')
return kernelValue
定义一个SVM的训练模型代码
代码语言：javascript复制def trainSVM(train_x, train_y, C, toler, maxIter, kernelOption=('rbf', 1.0)):
# calculate training time
startTime = time.time() # 记录训练时的开始时间
# print (train_x)
# print(train_y)
# init data struct for svm
# train_x和train_y居然不是矩阵？？不是传过来的参数就是矩阵嘛？？
svm = SVMStruct(mat(train_x), mat(train_y), C, toler, kernelOption)
# start training
entireSet = True
alphaPairsChanged = 0
iterCount = 0
# Iteration termination condition:
# Condition 1: reach max iteration
# Condition 2: no alpha changed after going through all samples,
# in other words, all alpha (samples) fit KKT condition
while (iterCount < maxIter) and ((alphaPairsChanged > 0) or entireSet):
alphaPairsChanged = 0
# update alphas over all training examples
if entireSet:
for i in range(svm.numSamples):
alphaPairsChanged = innerLoop(svm, i)
print('---iter:%d entire set, alpha pairs changed:%d' % (iterCount, alphaPairsChanged))
iterCount = 1
# update alphas over examples where alpha is not 0 & not C (not on boundary)
else:
nonBoundAlphasList = nonzero((svm.alphas.A > 0) * (svm.alphas.A < svm.C))[0]
for i in nonBoundAlphasList:
alphaPairsChanged = innerLoop(svm, i)
print('---iter:%d non boundary, alpha pairs changed:%d' % (iterCount, alphaPairsChanged))
iterCount = 1
# alternate loop over all examples and non-boundary examples
if entireSet:
entireSet = False
elif alphaPairsChanged == 0:
entireSet = True
print('Congratulations, training complete! Took %fs!' % (time.time() - startTime))
return svm模型训练与在数据上测试的可视化操作
代码语言：javascript复制def showSVM(svm):
if svm.train_x.shape[1] != 2:
print("Sorry! I can not draw because the dimension of your data is not 2!")
return 1
# draw all samples
for i in range(svm.numSamples):
if svm.train_y[i] == -1:
plt.plot(svm.train_x[i, 0], svm.train_x[i, 1], 'or')
elif svm.train_y[i] == 1:
plt.plot(svm.train_x[i, 0], svm.train_x[i, 1], 'ob')
# mark support vectors
supportVectorsIndex = nonzero(svm.alphas.A > 0)[0]
for i in supportVectorsIndex:
plt.plot(svm.train_x[i, 0], svm.train_x[i, 1], 'oy')
# draw the classify line
w = zeros((2, 1))
for i in supportVectorsIndex:
w = multiply(svm.alphas[i] * svm.train_y[i], svm.train_x[i, :].T)
min_x = min(svm.train_x[:, 0])[0, 0]
max_x = max(svm.train_x[:, 0])[0, 0]
y_min_x = float(-svm.b - w[0] * min_x) / w[1]
y_max_x = float(-svm.b - w[0] * max_x) / w[1]
plt.plot([min_x, max_x], [y_min_x, y_max_x], '-g')
plt.show()
支持向量机需要进行模型的训练后在进行推理的分类，在数据集中正类的标签为1，负类的标签为-1，通过输入的特征进行分类。
运行代码，在终端窗口输出模型的迭代过程，在做开始导入了time包进行运行时间的监控，最后的分类准确率到了100%，可以说分类效果非常的好，尤其是在线性分类的条件下。
以上是最终的分类结果，可以直观的看出来红色的样本与蓝色的样本被完美的分开了，支持向量机模型找到了超平面的直线，黄色的点为支持向量的样本。
接下来说一下最近的一些学习心得吧，小编马上要返校了，在疫情之下终于结束了“超长的寒假”，经过一个寒假的学习，小编从一个什么都不会的人工智能的小白，转变为一个初学者了，想想一个寒假做了很多项目，跑了很demo，想想最开始的树莓派的项目，人脸识别，视频流传输，还玩了玩ros操作系统，做了一个简单的路径规划，与slam三维视觉建图。使用OpenCV包做了一个视频中车辆检测，树莓派的速度比较慢。由于以后的硬件电路设计需要，画了一块MOS管的电机驱动电路PCB。学习生成对抗网络学习了图像自动上色的技术，做出了一副彩色的卓别林照片。
机器学习与数据挖掘上学习了很多基础的算法，KNN，决策树，随机森林，线性回归，逻辑回归，K-mean, SVM。在目标检测上学习了yolo v3学了一下优化的算法，对比了各种方法的区别，还接触了OCR等技术，做出来人工智能作诗的demo，情感分析等自然语言方面的算法，读了一些论文，复现了一些论文。感觉所有的只有一条是核心，无他但手熟而。仔细想想自己的一个寒假做了还是挺多的，K210的开发板也算是从入门到入迷，很多东西坚持下来真的不一样，经过这么长时间的沉淀，终于摸清楚自己的路线了，希望自己好好走下去。作一个什么困难都不放弃的，什么问题都能解决的人，很厉害，也很难。我，在路上。此中有真意，欲辨已忘言。在圈子中也认识了很多厉害的人，学习别人的优点，改进自己的短处。就和健身一个道理，锻炼完浑身酸痛，但是当肌肉恢复后，你会更加有力量，当你经历过困难后，解决问题的能力会有进步的。就这样吧，小编该睡觉了，最近就先不更新了，短暂的分别是为了更好的相聚。幸无所爱，无畏山海！
