Vamos a entrenar un clasificador de máximo margen usando la clase SVC (Support Vector Classifier) proveída por Scikit-Learn aplicándolo a los mismos datos vistos en las secciones previas usando un kernel lineal (veremos más adelante qué es un kernel y qué tipos hay disponibles). Comenzamos leyendo los datos:
X, y = make_blobs([20, 20],
centers = [(1.5, 0), [-1.5, 1]],
cluster_std = [0.4, 0.4],
random_state = 3)
centers = [(1.5, 0), [-1.5, 1]],
cluster_std = [0.4, 0.4],
random_state = 3)
Aunque ya hemos visto la distribución de estos datos, visualicémoslos una vez más:
show_boundaries(None, X, None, y, None, ["Clase 0", "Clase 1"])
Importamos la clase SVC:
from sklearn.svm import SVC
Instanciamos y entrenamos el modelo:
model = SVC(kernel = "linear")
model.fit(X, y)
model.fit(X, y)
