机器学习算法：支持向量机 (SVM) | Python 和 R 代码的实现

支持向量机 (SVM)

这是一种分类方法。在此算法中，我们将每个元素绘制为 n 维空间中的一个点（其中 n 是其具有的特征数量），其中每个特征的值是特定坐标的值。

例如，如果我们只有两个特征，例如人的身高和头发长度，我们首先将这两个变量提取到二维空间中，其中每个点都有两个坐标（这些坐标称为支持向量）

现在我们将看到一些线将两个不同数据组之间的数据分开。这将是一条直线，其中距离两组最近的点彼此距离最远。

在上面所示的示例中，将数据分为两个不同分类组的线是黑线，因为最近的两个点距离该线最远。这条线是我们的分类器。然后，根据测试数据落在行的哪一侧，您就知道将新数据分类到哪个类。

更多：支持向量机的简化版本

将此算法视为 n 维空间中的 Jazzball 游戏，对游戏的修正是：

• 您可以用所有面来完成（不仅仅是水平或垂直，如普通游戏一样）画一条线/平面
• 游戏的目标是将不同颜色的球分成不同的房间
• 不要移动球

Python代码

#Import Library
from sklearn import svm
#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset
# Create SVM classification object 
model = svm.svc() # there is various option associated with it, this is simple for classification. You can refer link, for mo# re detail.
# Train the model using the training sets and check score
model.fit(X, y)
model.score(X, y)
#Predict Output
predicted= model.predict(x_test)

R句子

library(e1071)
x <- cbind(x_train,y_train)
# Fitting model
fit <-svm(y_train ~ ., data = x)
summary(fit)
#Predict Output 
predicted= predict(fit,x_test)