### 如何在 Python 中使用 PSO-SVM 绘制图形 为了展示如何利用粒子群优化（PSO）来优化支持向量机（SVM），并最终绘制相应的决策边界和数据分布图，可以按照如下方式编写代码。此过程涉及加载数据集、定义模型训练函数以及创建绘图逻辑。 #### 加载必要的库包 首先确保已经安装了所需的软件包，并通过以下命令引入这些模块： ```python import numpy as np import pandas as pd from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.metrics import accuracy_score, confusion_matrix from matplotlib.colors import ListedColormap import matplotlib.pyplot as plt mpl.rcParams['font.sans-serif'] = ['SimHei'] mpl.rcParams['axes.unicode_minus'] = False # 配置matplotlib显示中文标签[^1] ``` #### 数据准备与预处理 接着读取鸢尾花数据集作为样本案例，并完成基本的数据分割及标准化操作： ```python iris = datasets.load_iris() X = iris.data[:, :2] # 只选用前两个特征以便于二维平面作图 y = iris.target # 将类别限定为两类以简化问题 X = X[y != 2] y = y[y != 2] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) scaler = StandardScaler().fit(X_train) X_train_scaled = scaler.transform(X_train) X_test_scaled = scaler.transform(X_test) ``` #### 定义 SVM 训练器类及其辅助功能 这里构建了一个简单的 `SVMPredictor` 类用于封装 SVM 的训练流程；同时实现了基于 PSO 进行超参数寻优的功能。 ```python class SVMPredictor(object): def __init__(self): from sklearn.svm import SVC self.clf = SVC(kernel='rbf', probability=True) @staticmethod def objective_function(params): C, gamma = params svc = SVC(C=C, kernel="rbf", gamma=gamma).fit(X_train_scaled, y_train) predictions = svc.predict(X_test_scaled) acc = accuracy_score(y_true=y_test, y_pred=predictions) return -acc # 负号表示最大化目标转换成最小化求解 def fit(self, best_params=None): if best_params is not None: c_best, g_best = best_params self.clf.set_params(C=c_best, gamma=g_best) self.clf.fit(X_train_scaled, y_train) def optimize_svm_parameters(): """ 使用粒子群算法寻找最优的C和Gamma """ import pyswarms as ps options = {'c1': 0.5, 'c2': 0.3, 'w': 0.9} optimizer = ps.single.GlobalBestPSO( n_particles=10, dimensions=2, bounds=[(0.01, 10), (0.01, 1)], options=options ) cost, pos = optimizer.optimize(SVMPredictor.objective_function, iters=1000) return tuple(pos.tolist()) ``` #### 执行 PSO 寻参并训练 SVM 模型 调用上述定义的方法来进行实际运算，获得最佳参数组合后重新配置 SVM 并再次拟合整个训练集合上的数据。 ```python best_c, best_gamma = optimize_svm_parameters() svm_model = SVMPredictor() svm_model.fit(best_params=(best_c, best_gamma)) ``` #### 创建可视化图表 最后一步就是设计一个能够直观呈现分类效果的画面——即画出不同种类之间的分界线以及测试集中各点的位置关系。 ```python def plot_decision_regions(X, y_classifier, resolution=0.02): markers = ('s', 'x') colors = ('red', 'blue') cmap = ListedColormap(colors[:len(np.unique(y))]) x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1 x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1 xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution)) Z = y_classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T) Z = Z.reshape(xx1.shape) plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap) plt.xlim(xx1.min(), xx1.max()) plt.ylim(xx2.min(), xx2.max()) for idx, cl in enumerate(np.unique(y)): plt.scatter(x=X[y == cl, 0], y=X[y == cl, 1], alpha=0.8, marker=markers[idx], label=f'Class {cl}', edgecolor='black') plot_decision_regions(X=np.vstack((X_train_scaled, X_test_scaled)), y_classifier=svm_model.clf, y=np.hstack((y_train, y_test))) plt.xlabel('Sepal length [standardized]') plt.ylabel('Petal width [standardized]') plt.legend(loc='upper left') plt.title("Decision Boundary with Optimized Parameters") plt.show() ``` 这段脚本展示了如何结合粒子群优化技术调整 SVM 参数，并将其应用于二元分类任务上，同时还提供了可视化的手段帮助理解模型的工作原理。