machine-learning
SVM

Разница между логистической регрессией и SVM

Граница принятия решений при классификации с использованием логистической регрессии -

Граница принятия решений при классификации с использованием SVM -

Как можно заметить, SVM пытается сохранить «пробел» по обе стороны границы решения. Это полезно, когда мы сталкиваемся с новыми данными.

С новыми данными-

Логистическая регрессия выполняется плохо (новый красный круг классифицируется как синий) -

В то время как SVM может классифицировать его правильно (новый красный круг классифицирован правильно с красной стороны) -

Внедрение классификатора SVM с использованием Scikit-learn:

from sklearn import svm
X = [[1, 2], [3, 4]] #Training Samples
y = [1, 2] #Class labels
model = svm.SVC() #Making a support vector classifier model
model.fit(X, y) #Fitting the data

clf.predict([[2, 3]]) #After fitting, new data can be classified by using predict()