atcmap计算经纬度坐标方法如何用Python实现支持向量机

atcmap计算经纬度坐标方式？

你的经纬度是存在Excel表中的吗打开ArcMap，点击File-Adddata-AddXYData然后X选你的Excel表的经度，Y选你的纬度，坐标系选WGS84，点击确实就可以把经纬度导入ArcMap中，形成一个个的点。

在图层上右击，DataExport导出成shp文件。

如何用Python达到支持向量机？

1，达到线性分类

import numpy as np

import matplotlib.pyplot as plt

from sklearn.datasets.samples_generator import make_blobs

from sklearn.svm import SVC

#随机生成点，n_samples：样本点个数；centers：样本点分为几类；random_state：每一次随机生成完全一样；cluster_std：每类样本点间的离散程度，值越大离散程度越大。

X,y = make_blobs(n_samples=50, centers=2, random_state=0, cluster_std=0.60)

#画出全部样本点

plt.scatter(X[:,0],X[:,1],c=y,cmap='summer')

#使用线性分类SVC拟合

#svc函数还可以涵盖以下参数(详细例子见文章后):

#1,C(C越大说明了分类越严格不可以有错误；当C趋近于很小的时候说明了可以有更大的错误容忍)

#2,kernel(kernel一定要是[‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’]中的一个，默觉得’rbf’)

#3,gamma(gamma越大模型越复杂，可能会造成过拟合，对线性核函数无影响)

model = SVC(kernel='linear')

model.fit(X,y)

plot_svc_decision_function(model)

这里用到绘制边界线及圈出支持向量的函数plot_svc_decision_function()

def plot_svc_decision_function(model, ax=None, plot_support=True):

#Plot the decision function for a 2D SVC

if ax is None:

ax = plt.gca()

#找出图片x轴y轴的边界

xlim = ax.get_xlim()

ylim = ax.get_ylim()

# create grid to evaluate model

x = np.linspace(xlim[0], xlim[1], 30)

y = np.linspace(ylim[0], ylim[1], 30)

Y, X = np.meshgrid(y, x)

#形成图片上全部坐标点(900,2)，900个二维点

xy = np.vstack([X.ravel(), Y.ravel()]).T

#计算每点到边界的距离(30,30)

P = model.decision_function(xy).reshape(X.shape)

#绘制等高线（距离边界线为0的实线，还有距离边界为1的过支持向量的虚线）

ax.contour(X, Y, P, colors='k',levels=[-1, 0, 1], alpha=0.5,linestyles=['-', '-', '-'])

# 圈出支持向量

if plot_support:

#model.support_vectors_函数可打印出全部支持向量坐标

ax.scatter(model.support_vectors_[:, 0],model.support_vectors_[:, 1],s=200,c='',edgecolors='k')

ax.set_xlim(xlim)

ax.set_ylim(ylim)

绘制效果图请看下方具体内容：

2，达到非线性分类–引入核函数有的时候，候线性核函数不可以很好的划分边界例如：

from sklearn.datasets.samples_generator import make_circles

X,y = make_circles(100, factor=.1, noise=.1)

plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='summer')

clf = SVC(kernel='linear').fit(X, y)

plot_svc_decision_function(clf, plot_support=False)

分类结果请看下方具体内容：

这个时候，需加入径向基函数rbf（高斯）

X,y = make_circles(100, factor=.1, noise=.1)

plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='summer')

clf = SVC(kernel='rbf', C=1E6)

clf.fit(X,y)

plot_svc_decision_function(clf)

分类结果请看下方具体内容：

期望您满意，能帮到您~~

CMA学习资料及辅导课程

名师培训辅导课程

CMA备考资料免费下载