サポートベクターマシン

左側の (x, y) 平面上の点を分類する場合、
このままだと線形分類器（直線で分類するアルゴリズム）ではうまく分類できないのが、
右図のように z 軸を追加してデータを変形すると、
平面できれいに分割できるようになって、線形分類器による分類がうまくいくというものです。
このように、高次元空間にデータを埋め込むことでうまいこと分類するのが
カーネル法の仕組みだというわけです。

svc = サポートベクターマシン

from sklearn.svm import LinearSVC
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_gaussian_quantiles

# データの生成
X, y = make_gaussian_quantiles(
    n_samples=1000, n_classes=2, n_features=2, random_state=42)
train_X, test_X, train_y, test_y = train_test_split(X, y, random_state=42)

# 以下にコードを記述してください
# モデルの構築
model1 = SVC(random_state=42)
model2 = LinearSVC(random_state=42)#これは線形

# train_Xとtrain_yを使ってモデルに学習させる
model1.fit(train_X, train_y)
model2.fit(train_X, train_y)

# test_Xに対するモデルの分類予測結果
print("非線形SVM: {}".format(model1.score(test_X, test_y)))
print("線形SVM: {}".format(model2.score(test_X, test_y)))

from sklearn.svm import LinearSVC

from sklearn.svm import SVC

from sklearn.model_selection import train_test_split

from sklearn.datasets import make_gaussian_quantiles

# データの生成

X, y = make_gaussian_quantiles(

n_samples=1000, n_classes=2, n_features=2, random_state=42)

train_X, test_X, train_y, test_y = train_test_split(X, y, random_state=42)

# 以下にコードを記述してください

# モデルの構築

model1 = SVC(random_state=42)

model2 = LinearSVC(random_state=42)#これは線形

# train_Xとtrain_yを使ってモデルに学習させる

model1.fit(train_X, train_y)

model2.fit(train_X, train_y)

# test_Xに対するモデルの分類予測結果

print("非線形SVM: {}".format(model1.score(test_X, test_y)))

print("線形SVM: {}".format(model2.score(test_X, test_y)))