本文将用数据可视化的方法解释4种支持向量机核函数和参数的区别

简单地说，支持向量机(SVM)是一种用于分类的监督机器学习技术。它的工作原理是计算一个最好地分隔类的最大边距的超平面。

支持向量机除了提供简单的线性分离之外，还可以通过应用不同的核方法进行非线性分类。参数设置也是SVM更好地工作的另一个重要因素。通过适当的选择，我们可以使用支持向量机来处理高维数据。

本文旨将使用Scikit-learn库来展示每个核函数以及如何使用不同的参数设置。并且通过数据可视化进行解释和比较。

如果你正在寻找常见数据集(如Iris Flowers或Titanic)之外的另一个数据集，那么poksammon数据集可以是另一个选择。尽管你可能不是这些口袋怪物的粉丝，但它们的属性很容易理解，并且有各种各样的特征可供使用。

Pokemon的属性，如hp，攻击和速度，可以作为连续变量使用。对于分类变量，有类型(草、火、水等)、等级(普通、传奇)等。此外，如果有新一代或Pokemon出现，数据集将在未来进行更新。

免责声明:Pokemon和所有相关名称均为任天堂公司的版权和商标。

导入数据和库

为了直观地展示每个SVM的内核是如何分离分类的的，我们将只选择baby, legendary, mythical。我们先从导入数据和库开始。

import numpy as np
 import pandas as pd
 import matplotlib.pyplot as plt
 import seaborn as sns
 
 df = pd.read_csv('pokemons.csv', index_col=0)
 df.reset_index(drop=True, inplace=True)
 
 df = df[df['rank'].isin(['baby', 'legendary'])]
 df.reset_index(drop=True, inplace=True)
 df.head()