【Scikit-Learn】SVM示意圖
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
class1 = np.array([[1, 1], [1, 3], [2, 1], [1, 2], [2, 2]])
class2 = np.array([[4, 4], [5, 5], [5, 4], [5, 3], [4, 5], [6, 4]])
plt.figure(figsize=(8, 6), dpi=144)
plt.title('Decision Boundary')
plt.xlim(0, 8)
plt.ylim(0, 6)
ax = plt.gca() # gca 代表當前坐標軸，即 'get current axis'
ax.spines['right'].set_color('none') # 隱藏坐標軸
ax.spines['top'].set_color('none')
plt.scatter(class1[:, 0], class1[:, 1], marker='o')
plt.scatter(class2[:, 0], class2[:, 1], marker='s')
plt.plot([1, 5], [5, 1], '-r')
plt.arrow(4, 4, -1, -1, shape='full', color='r')
plt.plot([3, 3], [0.5, 6], '--b')
plt.arrow(4, 4, -1, 0, shape='full', color='b', linestyle='--')
plt.annotate(r'margin 1',
xy=(3.5, 4), xycoords='data',
xytext=(3.1, 4.5), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.annotate(r'margin 2',
xy=(3.5, 3.5), xycoords='data',
xytext=(4, 3.5), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.annotate(r'support vector',
xy=(4, 4), xycoords='data',
xytext=(5, 4.5), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.annotate(r'support vector',
xy=(2, 2), xycoords='data',
xytext=(0.5, 1.5), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.figure(figsize=(8, 6), dpi=144)
plt.title('Support Vector Machine')
plt.xlim(0, 8)
plt.ylim(0, 6)
ax = plt.gca() # gca 代表當前坐標軸，即 'get current axis'
ax.spines['right'].set_color('none') # 隱藏坐標軸
ax.spines['top'].set_color('none')
plt.scatter(class1[:, 0], class1[:, 1], marker='o')
plt.scatter(class2[:, 0], class2[:, 1], marker='s')
plt.plot([1, 5], [5, 1], '-r')
plt.plot([0, 4], [4, 0], '--b', [2, 6], [6, 2], '--b')
plt.arrow(4, 4, -1, -1, shape='full', color='b')
plt.annotate(r'$w^T x + b = 0$',
xy=(5, 1), xycoords='data',
xytext=(6, 1), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.annotate(r'$w^T x + b = 1$',
xy=(6, 2), xycoords='data',
xytext=(7, 2), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.annotate(r'$w^T x + b = -1$',
xy=(3.5, 0.5), xycoords='data',
xytext=(4.5, 0.2), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.annotate(r'd',
xy=(3.5, 3.5), xycoords='data',
xytext=(2, 4.5), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.annotate(r'A',
xy=(4, 4), xycoords='data',
xytext=(5, 4.5), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
from sklearn.datasets import make_blobs
plt.figure(figsize=(13, 6), dpi=144)
# sub plot 1
plt.subplot(1, 2, 1)
X, y = make_blobs(n_samples=100,
n_features=2,
centers=[(1, 1), (2, 2)],
random_state=4,
shuffle=False,
cluster_std=0.4)
plt.title('Non-linear Separatable')
plt.xlim(0, 3)
plt.ylim(0, 3)
ax = plt.gca() # gca 代表當前坐標軸，即 'get current axis'
ax.spines['right'].set_color('none') # 隱藏坐標軸
ax.spines['top'].set_color('none')
plt.scatter(X[y==0][:, 0], X[y==0][:, 1], marker='o')
plt.scatter(X[y==1][:, 0], X[y==1][:, 1], marker='s')
plt.plot([0.5, 2.5], [2.5, 0.5], '-r')
# sub plot 2
plt.subplot(1, 2, 2)
class1 = np.array([[1, 1], [1, 3], [2, 1], [1, 2], [2, 2], [1.5, 1.5], [1.2, 1.7]])
class2 = np.array([[4, 4], [5, 5], [5, 4], [5, 3], [4, 5], [6, 4], [5.5, 3.5], [4.5, 4.5], [2, 1.5]])
plt.title('Slack Variable')
plt.xlim(0, 7)
plt.ylim(0, 7)
ax = plt.gca() # gca 代表當前坐標軸，即 'get current axis'
ax.spines['right'].set_color('none') # 隱藏坐標軸
ax.spines['top'].set_color('none')
plt.scatter(class1[:, 0], class1[:, 1], marker='o')
plt.scatter(class2[:, 0], class2[:, 1], marker='s')
plt.plot([1, 5], [5, 1], '-r')
plt.plot([0, 4], [4, 0], '--b', [2, 6], [6, 2], '--b')
plt.arrow(2, 1.5, 2.25, 2.25, shape='full', color='b')
plt.annotate(r'violate margin rule.',
xy=(2, 1.5), xycoords='data',
xytext=(0.2, 0.5), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.annotate(r'normal sample. $\epsilon = 0$',
xy=(4, 5), xycoords='data',
xytext=(4.5, 5.5), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.annotate(r'$\epsilon > 0$',
xy=(3, 2.5), xycoords='data',
xytext=(3, 1.5), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.figure(figsize=(8, 4), dpi=144)
plt.title('Cost')
plt.xlim(0, 4)
plt.ylim(0, 2)
plt.xlabel('$y^{(i)} (w^T x^{(i)} + b)$')
plt.ylabel('Cost')
ax = plt.gca() # gca 代表當前坐標軸，即 'get current axis'
ax.spines['right'].set_color('none') # 隱藏坐標軸
ax.spines['top'].set_color('none')
plt.plot([0, 1], [1.5, 0], '-r')
plt.plot([1, 3], [0.015, 0.015], '-r')
plt.annotate(r'$J_i = R \epsilon_i$ for $y^{(i)} (w^T x^{(i)} + b) \geq 1 - \epsilon_i$',
xy=(0.7, 0.5), xycoords='data',
xytext=(1, 1), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.annotate(r'$J_i = 0$ for $y^{(i)} (w^T x^{(i)} + b) \geq 1$',
xy=(1.5, 0), xycoords='data',
xytext=(1.8, 0.2), fontsize=10,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.figure(figsize=(13, 6), dpi=144)
class1 = np.array([[1, 1], [1, 2], [1, 3], [2, 1], [2, 2], [3, 2], [4, 1], [5, 1]])
class2 = np.array([[2.2, 4], [1.5, 5], [1.8, 4.6], [2.4, 5], [3.2, 5], [3.7, 4], [4.5, 4.5], [5.4, 3]])
# sub plot 1
plt.subplot(1, 2, 1)
plt.title('Non-linear Separatable in Low Dimension')
plt.xlim(0, 6)
plt.ylim(0, 6)
plt.yticks(())
plt.xlabel('X1')
ax = plt.gca() # gca 代表當前坐標軸，即 'get current axis'
ax.spines['right'].set_color('none') # 隱藏坐標軸
ax.spines['top'].set_color('none')
ax.spines['left'].set_color('none')
plt.scatter(class1[:, 0], np.zeros(class1[:, 0].shape[0]) + 0.05, marker='o')
plt.scatter(class2[:, 0], np.zeros(class2[:, 0].shape[0]) + 0.05, marker='s')
# sub plot 2
plt.subplot(1, 2, 2)
plt.title('Linear Separatable in High Dimension')
plt.xlim(0, 6)
plt.ylim(0, 6)
plt.xlabel('X1')
plt.ylabel('X2')
ax = plt.gca() # gca 代表當前坐標軸，即 'get current axis'
ax.spines['right'].set_color('none') # 隱藏坐標軸
ax.spines['top'].set_color('none')
plt.scatter(class1[:, 0], class1[:, 1], marker='o')
plt.scatter(class2[:, 0], class2[:, 1], marker='s')
plt.plot([1, 5], [3.8, 2], '-r')
def gaussian_kernel(x, mean, sigma):
return np.exp(- (x - mean)**2 / (2 * sigma**2))
x = np.linspace(0, 6, 500)
mean = 1
sigma1 = 0.1
sigma2 = 0.3
plt.figure(figsize=(10, 3), dpi=144)
# sub plot 1
plt.subplot(1, 2, 1)
plt.title('Gaussian for $\sigma={0}$'.format(sigma1))
plt.xlim(0, 2)
plt.ylim(0, 1.1)
ax = plt.gca() # gca 代表當前坐標軸，即 'get current axis'
ax.spines['right'].set_color('none') # 隱藏坐標軸
ax.spines['top'].set_color('none')
plt.plot(x, gaussian_kernel(x, mean, sigma1), 'r-')
# sub plot 2
plt.subplot(1, 2, 2)
plt.title('Gaussian for $\sigma={0}$'.format(sigma2))
plt.xlim(0, 2)
plt.ylim(0, 1.1)
ax = plt.gca() # gca 代表當前坐標軸，即 'get current axis'
ax.spines['right'].set_color('none') # 隱藏坐標軸
ax.spines['top'].set_color('none')
plt.plot(x, gaussian_kernel(x, mean, sigma2), 'r-')
版權聲明：本文為made_in_china_too原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接和本聲明。
智能推薦
（10）Java中內存示意圖（其一）
程序是靜態的，存在于硬盤上，只有Load到內存中經過操作系統相關代碼調用后分配內存開始運行，Java代碼中又把內存分為4塊兒，如下圖：heap堆、stack棧、data segment、code segment。 八大基本類型與引用類型在內存中的區別： 八大基本類型在內存中只有一塊兒內存 而引用類型占兩塊兒內存 類和對象在...
GMT繪制研究區示意圖（圖中圖）
. . 數語記吾學，以備不時之需，若遇同仁愿得賜教。 . . GMT繪制青藏高原某湖泊 ，GMT中文手冊104頁已有詳細介紹，僅做部分修改。 inset begin 定義了小圖的位置位于大圖左下角（-DjBL），小圖區域的寬度為 3 厘米，高度為 3.6 厘米（+w3c/3.6c），并且相對大圖左下角偏移 0.1 厘米（+o0.1c）。同時還設置了小圖區域的背景色為白色（+gwhite），并繪制了...
python程序構成、對象組成、內存示意圖
一、python程序的構成 1. Python 程序由模塊組成。一個模塊對應 python 源文件，一般后綴名是：.py。 2. 模塊由語句組成。運行 Python 程序時，按照模塊中語句的順序依次執行。 3. 語句是 Python 程序的構造單元，用于創建對象、變量賦值、調用函數、控制語句等。 4. python使用交互式環境，每次只能執行一條語句。 5. 代碼的組織和縮進：python通過縮進...
猜你喜歡
freemarker + ItextRender 根據模板生成PDF文件
1. 制作模板 2. 獲取模板，并將所獲取的數據加載生成html文件 2. 生成PDF文件 其中由兩個地方需要注意，都是關于獲取文件路徑的問題，由于項目部署的時候是打包成jar包形式，所以在開發過程中時直接安照傳統的獲取方法沒有一點文件，但是當打包后部署，總是出錯。于是參考網上文章，先將文件讀出來到項目的臨時目錄下，然后再按正常方式加載該臨時文件； 還有一個問題至今沒有解決，就是關于生成PDF文件...
電腦空間不夠了？教你一個小秒招快速清理 Docker 占用的磁盤空間！
Docker 很占用空間，每當我們運行容器、拉取鏡像、部署應用、構建自己的鏡像時，我們的磁盤空間會被大量占用。 如果你也被這個問題所困擾，咱們就一起看一下 Docker 是如何使用磁盤空間的，以及如何回收。 docker 占用的空間可以通過下面的命令查看： TYPE 列出了docker 使用磁盤的 4 種類型： Images：所有鏡像占用的空間，包括拉取下來的鏡像，和本地構建的。 Con...
requests實現全自動PPT模板
http://www.1ppt.com/moban/ 可以免費的下載PPT模板，當然如果要人工一個個下，還是挺麻煩的，我們可以利用requests輕松下載 訪問這個主頁，我們可以看到下面的樣式 點每一個PPT模板的圖片，我們可以進入到詳細的信息頁面，翻到下面，我們可以看到對應的下載地址 點擊這個下載的按鈕，我們便可以下載對應的PPT壓縮包 那我們就開始做吧 首先，查看網頁的源代碼，我們可以看到每一...
