kevinya

如果這篇有點看不懂的話，可以在下面參考資料，參考一下"[Python]初心者筆記13"這篇文章
(應該是直接看這篇就懂了拉，除非我文筆太差= =")
 

#進行數據分析之前常要引用的函式庫
%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt

#匯入SVM支持向量機函式庫的分類功能
from sklearn.svm import SVC

#匯入SVM支持向量機函式庫的分類功能SVC
from sklearn.svm import SVC

#再把7.2課程的分類資料再做一次出來
#宣告四個點（以二維陣列的方式宣告）
x = np.array([[-3,2],[-6,5],[3,-4],[2,-8]])
#四個點依序分類為第一類、第一類、第二類、第二類
y = np.array([1,1,2,2])

#然後要開一台SVC
clf = SVC()

#開始訓練：clf.fit(輸入資料,正確答案)
clf.fit(x,y)

#正式的把四個點全部代入
#順利得到分類答案：array([1, 1, 2, 2])
#ps.當然會順利得到正確答案，因為剛剛透過clf.fit()訓練時，已經有先給答案了 = ="
#成功！目前為止上面的程式碼只是用來載入之前訓練的結果clf.fit(x,y)
#還沒有進入正題 @@"
clf.predict(x)

#上面的predict的結果，是以array的方式顯示
#以下要展示的是使用圖的方式來顯示預測的結果
#首先示範一個簡單的例子做meshgrid
#瞭解meshgrid之後才能繼續下去
#假設這裡有四個x座標1, 2, 3, 4以及四個y座標5, 6, 7, 8
xx = [1,2,3,4]
yy = [5,6,7,8]

#meshgrid執行之後，得到的 一堆X座標, 以及一堆Y座標
X, Y = np.meshgrid(xx,yy)
#然後透過ravel()把X拉平為一維陣列座標
#方便之後的plt.scatter畫圖以及clf.predict預測分類可以直接吃一維陣列
X = X.ravel()
#同樣的，Y也要拉平
Y = Y.ravel()
#最後利用plt.scatter畫在曲線圖上的話，這個圖的所有座標點就可以填滿 x=1~4, y=5~8 的部分
#這就是meshgrid功用
plt.scatter(X,Y)

#要回頭來進行下一步之前，先清空X, Y
X = []
Y = []

#接下來利用相同的meshgrid方法去處理 7.2課程中瞎掰的那幾個點
#取的點的數量隨意，這裡是設定為30個，設定數字越大的時候，最後畫出來的圖上的點越密集就是了
X, Y = np.meshgrid(np.linspace(-6,3,30),np.linspace(-8,5,30))
X = X.ravel()
Y = Y.ravel()

#然後畫圖就可以看到密密麻麻的一堆座標點
#當然這些點尚未做分類
plt.scatter(X,Y)

#接下來要利用clf.predict幫這些密密麻麻的點做分類
#不過clf.predict吃的參數是座標，所以 X, Y必須修正為座標的形式才能代入
#利用zip()函數即可做到合併為座標(加上list()才能正確執行並顯示結果)
list(zip(X,Y))

#那麼接下來就把這個合併後的座標代入clf.predict()
#就可以順利得到預測分類的結果！這個預測分類的結果的形式是array
clf.predict(list(zip(X,Y)))

#當然最後的目的就是要畫出完整的分類結果圖：
#這樣就完成了！可以看到密密麻麻的點被分類成兩個顏色喔 :D
plt.scatter(X,Y, c=clf.predict(list(zip(X,Y))))

參考資料：
[Python]初心者筆記13(機器學習:準備分類的資料、作假資料,透過SVM做分類)
https://dotblogs.com.tw/kevinya/2018/06/13/082449
成為python數據分析達人的第一課(自學課程)
http://moocs.nccu.edu.tw/course/123/intro