我先直觀地闡述我對SVM的理解，這其中不會涉及數(shù)學公式，然后給出Python代碼。
成都創(chuàng)新互聯(lián)公司是由多位在大型網(wǎng)絡公司、廣告設計公司的優(yōu)秀設計人員和策劃人員組成的一個具有豐富經(jīng)驗的團隊，其中包括網(wǎng)站策劃、網(wǎng)頁美工、網(wǎng)站程序員、網(wǎng)頁設計師、平面廣告設計師、網(wǎng)絡營銷人員及形象策劃。承接：網(wǎng)站制作、網(wǎng)站設計、網(wǎng)站改版、網(wǎng)頁設計制作、網(wǎng)站建設與維護、網(wǎng)絡推廣、數(shù)據(jù)庫開發(fā),以高性價比制作企業(yè)網(wǎng)站、行業(yè)門戶平臺等全方位的服務。
SVM是一種二分類模型，處理的數(shù)據(jù)可以分為三類：
線性可分，通過硬間隔最大化，學習線性分類器
近似線性可分，通過軟間隔最大化，學習線性分類器
線性不可分，通過核函數(shù)以及軟間隔最大化，學習非線性分類器
線性分類器，在平面上對應直線；非線性分類器，在平面上對應曲線。
硬間隔對應于線性可分數(shù)據(jù)集，可以將所有樣本正確分類，也正因為如此，受噪聲樣本影響很大，不推薦。
軟間隔對應于通常情況下的數(shù)據(jù)集（近似線性可分或線性不可分），允許一些超平面附近的樣本被錯誤分類，從而提升了泛化性能。
如下圖：
實線是由硬間隔最大化得到的，預測能力顯然不及由軟間隔最大化得到的虛線。
對于線性不可分的數(shù)據(jù)集，如下圖：
我們直觀上覺得這時線性分類器，也就是直線，不能很好的分開紅點和藍點。
但是可以用一個介于紅點與藍點之間的類似圓的曲線將二者分開，如下圖：
我們假設這個黃色的曲線就是圓，不妨設其方程為x^2+y^2=1，那么核函數(shù)是干什么的呢？
我們將x^2映射為X，y^2映射為Y，那么超平面變成了X+Y=1。
那么原空間的線性不可分問題，就變成了新空間的（近似）線性可分問題。
此時就可以運用處理（近似）線性可分問題的方法去解決線性不可分數(shù)據(jù)集的分類問題。
---------------------------------------------------------------------------------------------------------------------------
以上我用最簡單的語言粗略地解釋了SVM，沒有用到任何數(shù)學知識。但是沒有數(shù)學，就體會不到SVM的精髓。因此接下來我會用盡量簡潔的語言敘述SVM的數(shù)學思想，如果沒有看過SVM推導過程的朋友完全可以跳過下面這段。
對于求解（近似）線性可分問題：
由最大間隔法，得到凸二次規(guī)劃問題，這類問題是有最優(yōu)解的（理論上可以直接調(diào)用二次規(guī)劃計算包，得出最優(yōu)解）
我們得到以上凸優(yōu)化問題的對偶問題，一是因為對偶問題更容易求解，二是引入核函數(shù)，推廣到非線性問題。
求解對偶問題得到原始問題的解，進而確定分離超平面和分類決策函數(shù)。由于對偶問題里目標函數(shù)和分類決策函數(shù)只涉及實例與實例之間的內(nèi)積，即xi,xj。我們引入核函數(shù)的概念。
拓展到求解線性不可分問題：
如之前的例子，對于線性不可分的數(shù)據(jù)集的任意兩個實例：xi,xj。當我們?nèi)∧硞€特定映射f之后，f(xi)與f(xj)在高維空間中線性可分，運用上述的求解（近似）線性可分問題的方法，我們看到目標函數(shù)和分類決策函數(shù)只涉及內(nèi)積f(xi),f(xj)。由于高維空間中的內(nèi)積計算非常復雜，我們可以引入核函數(shù)K(xi,xj)=f(xi),f(xj)，因此內(nèi)積問題變成了求函數(shù)值問題。最有趣的是，我們根本不需要知道映射f。精彩！
我不準備在這里放推導過程，因為已經(jīng)有很多非常好的學習資料，如果有興趣，可以看：CS229 Lecture notes
最后就是SMO算法求解SVM問題，有興趣的話直接看作者論文：Sequential Minimal Optimization:A Fast Algorithm for Training Support Vector Machines
我直接給出代碼：SMO+SVM
在線性可分數(shù)據(jù)集上運行結(jié)果：
圖中標出了支持向量這個非常完美，支持向量都在超平面附近。
在線性不可分數(shù)據(jù)集上運行結(jié)果（200個樣本）：
核函數(shù)用了高斯核，取了不同的sigma
sigma=1，有189個支持向量，相當于用整個數(shù)據(jù)集進行分類。
sigma=10，有20個支持向量，邊界曲線能較好的擬合數(shù)據(jù)集特點。
我們可以看到，當支持向量太少，可能會得到很差的決策邊界。如果支持向量太多，就相當于每次都利用整個數(shù)據(jù)集進行分類，類似KNN。
代碼：
defnot_empty（s）：
returnsandlen（s。strip（））0
#returnsands。strip（）
#如果直接單寫s。strip（）那么s如果是None，會報錯，因為None沒有strip方法。
#如果s是None，那么Noneand任何值都是False，直接返回false
#如果s非None，那么判定s。trip（）是否為空。
這樣子filter能過濾到None，""，""這樣的值。
分成兩部分看。第一部分是對長度進行序列。相當于就是range(5)他的結(jié)果就是。01234。第二部分就是具體的排序規(guī)則。排序規(guī)則是用nums的值進行排序，reverse沒申明就是默認升序。就是用nums(0到4)的值進行排序，根據(jù)這個結(jié)果返回的一個range(5)的數(shù)組。
擴展資料：
根據(jù)PEP的規(guī)定，必須使用4個空格來表示每級縮進。使用Tab字符和其它數(shù)目的空格雖然都可以編譯通過，但不符合編碼規(guī)范。支持Tab字符和其它數(shù)目的空格僅僅是為兼容很舊的的Python程序和某些有問題的編輯程序。
Python的函數(shù)支持遞歸、默認參數(shù)值、可變參數(shù)，但不支持函數(shù)重載。為了增強代碼的可讀性，可以在函數(shù)后書寫“文檔字符串”(Documentation Strings，或者簡稱docstrings)，用于解釋函數(shù)的作用、參數(shù)的類型與意義、返回值類型與取值范圍等?？梢允褂脙?nèi)置函數(shù)help()打印出函數(shù)的使用幫助。
參考資料來源：百度百科-Python
這個和用不用python沒啥關(guān)系，是數(shù)據(jù)來源的問題。 調(diào)用淘寶API，使用 api相關(guān)接口獲得你想要的內(nèi)容，我 記得api中有相關(guān)的接口，你可以看一下接口的說明。 用python做爬蟲來進行頁面數(shù)據(jù)的獲齲。
重慶分公司
重慶分公司
