位置: IT常识 - 正文

Python:支持向量机SVM的使用(Python支持向量能干什么)

编辑:rootadmin

推荐整理分享Python:支持向量机SVM的使用(Python支持向量能干什么),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:Python支持向量积预测,Python支持向量积预测,python支持向量机代码,python支持向量机代码,python支持向量机代码,Python支持向量机模型,python支持向量机回归预测模型,python支持向量机回归预测模型,内容如对您有帮助,希望把文章链接给更多的朋友!

除了在Matlab中使用PRTools工具箱中的svm算法,Python中一样可以使用支持向量机做分类。因为Python中的sklearn库也集成了SVM算法,本文的运行环境是Pycharm。

一、导入sklearn算法包

Scikit-Learn库已经实现了所有基本机器学习的算法,具体使用详见官方文档说明:http://scikit-learn.org/stable/auto_examples/index.html#support-vector-machines。

skleran中集成了许多算法,其导入包的方式如下所示:

·逻辑回归:from sklearn.linear_model import LogisticRegression

·朴素贝叶斯:from sklearn.naive_bayes import GaussianNB

·K-近邻:from sklearn.neighbors import KNeighborsClassifier

·决策树:from sklearn.tree import DecisionTreeClassifier

·支持向量机:from sklearn import svm

二、sklearn中svc的使用

(1)使用numpy中的loadtxt读入数据文件

loadtxt()的使用方法:

·fname:文件路径。eg:C:/Dataset/iris.txt。

·dtype:数据类型。eg:float、str等。

·delimiter:分隔符。eg:‘,’。

·converters:将数据列与转换函数进行映射的字典。

·eg:{1:fun},含义是将第2列对应转换函数进行转换。

·usecols:选取数据的列。

以Iris兰花数据集为例子:

由于从UCI数据库中下载的Iris原始数据集的样子是这样的,前四列为特征列,第五列为类别列,分别有三种类别Iris-setosa, Iris-versicolor, Iris-virginica。  

当使用numpy中的loadtxt函数导入该数据集时,假设数据类型dtype为浮点型,但是很明显第五列的数据类型并不是浮点型。

因此我们要额外做一个工作,即通过loadtxt()函数中的converters参数将第五列通过转换函数映射成浮点类型的数据。

首先,我们要写出一个转换函数:

defiris_type(s):it={'Iris-setosa':0,'Iris-versicolor':1,'Iris-virginica':2}returnit[s]

接下来读入数据,converters={4: iris_type}中“4”指的是第5列:

path=u'D:/f盘/python/学习/iris.data'#数据文件路径data=np.loadtxt(path,dtype=float,delimiter=',',converters={4:iris_type})

读入结果:

(2)将Iris分为训练集与测试集

x,y=np.split(data,(4,),axis=1)x=x[:,:2]x_train,x_test,y_train,y_test=train_test_split(x,y,random_state=1,train_size=0.6)

1.split(数据,分割位置,轴=1(水平分割) or 0(垂直分割))。

2.x = x[:, :2]是为方便后期画图更直观,故只取了前两列特征值向量训练。

3.sklearn.model_selection.train_test_split随机划分训练集与测试集。train_test_split(train_data,train_target,test_size=数字, random_state=0)

参数解释:

Python:支持向量机SVM的使用(Python支持向量能干什么)

·train_data:所要划分的样本特征集

·train_target:所要划分的样本结果

·test_size:样本占比,如果是整数的话就是样本的数量

·random_state:是随机数的种子。

随机数种子:其实就是该组随机数的编号,在需要重复试验的时候,保证得到一组一样的随机数。比如你每次都填1,其他参数一样的情况下你得到的随机数组是一样的。但填0或不填,每次都会不一样。随机数的产生取决于种子,随机数和种子之间的关系遵从以下两个规则:种子不同,产生不同的随机数;种子相同,即使实例不同也产生相同的随机数。

(3)训练svm分类器

#clf=svm.SVC(C=0.1,kernel='linear',decision_function_shape='ovr')clf=svm.SVC(C=0.8,kernel='rbf',gamma=20,decision_function_shape='ovr')clf.fit(x_train,y_train.ravel())

kernel='linear'时,为线性核,C越大分类效果越好,但有可能会过拟合(defaul C=1)。

kernel='rbf'时(default),为高斯核,gamma值越小,分类界面越连续;gamma值越大,分类界面越“散”,分类效果越好,但有可能会过拟合。

decision_function_shape='ovr'时,为one v rest,即一个类别与其他类别进行划分,

decision_function_shape='ovo'时,为one v one,即将类别两两之间进行划分,用二分类的方法模拟多分类的结果。

(4)计算svc分类器的准确率

printclf.score(x_train,y_train)#精度y_hat=clf.predict(x_train)show_accuracy(y_hat,y_train,'训练集')printclf.score(x_test,y_test)y_hat=clf.predict(x_test)show_accuracy(y_hat,y_test,'测试集')

结果为:

如果想查看决策函数,可以通过decision_function()实现

print'decision_function:\n',clf.decision_function(x_train)print'\npredict:\n',clf.predict(x_train)

结果为:

decision_function中每一列的值代表距离各类别的距离。

(5)绘制图像

1.确定坐标轴范围,x,y轴分别表示两个特征

x1_min,x1_max=x[:,0].min(),x[:,0].max()#第0列的范围x2_min,x2_max=x[:,1].min(),x[:,1].max()#第1列的范围x1,x2=np.mgrid[x1_min:x1_max:200j,x2_min:x2_max:200j]#生成网格采样点grid_test=np.stack((x1.flat,x2.flat),axis=1)#测试点#print'grid_test=\n',grid_testgrid_hat=clf.predict(grid_test)#预测分类值grid_hat=grid_hat.reshape(x1.shape)#使之与输入的形状相同

这里用到了mgrid()函数,该函数的作用这里简单介绍一下:

假设假设目标函数F(x,y)=x+y。x轴范围13,y轴范围46,当绘制图像时主要分四步进行:

【step1:x扩展】(朝右扩展):

[111][222][333]

【step2:y扩展】(朝下扩展):

[456][456][456]

【step3:定位(xi,yi)】:

[(1,4)(1,5)(1,6)][(2,4)(2,5)(2,6)][(3,4)(3,5)(3,6)]

【step4:将(xi,yi)代入F(x,y)=x+y】

因此这里x1, x2 = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j]后的结果为:

再通过stack()函数,axis=1,生成测试点

2.指定默认字体

mpl.rcParams['font.sans-serif']=[u'SimHei']mpl.rcParams['axes.unicode_minus']=False

3.绘制

cm_light=mpl.colors.ListedColormap(['#A0FFA0','#FFA0A0','#A0A0FF'])cm_dark=mpl.colors.ListedColormap(['g','r','b'])plt.pcolormesh(x1,x2,grid_hat,cmap=cm_light)plt.scatter(x[:,0],x[:,1],c=y,edgecolors='k',s=50,cmap=cm_dark)#样本plt.scatter(x_test[:,0],x_test[:,1],s=120,facecolors='none',zorder=10)#圈中测试集样本plt.xlabel(u'花萼长度',fontsize=13)plt.ylabel(u'花萼宽度',fontsize=13)plt.xlim(x1_min,x1_max)plt.ylim(x2_min,x2_max)plt.title(u'鸢尾花SVM二特征分类',fontsize=15)#plt.grid()plt.show()

pcolormesh(x,y,z,cmap)这里参数代入x1,x2,grid_hat,cmap=cm_light绘制的是背景。

scatter中edgecolors是指描绘点的边缘色彩,s指描绘点的大小,cmap指点的颜色。

xlim指图的边界。

最终结果为:

python学习网,大量的免费python视频教程,欢迎在线学习!

本文链接地址:https://www.jiuchutong.com/zhishi/311740.html 转载请保留说明!

上一篇:python import的本质探究(python中import语句)

下一篇:python函数怎么返回值(Python函数怎么返回)

  • xr为啥会黑屏(xr忽然黑屏)

    xr为啥会黑屏(xr忽然黑屏)

  • 闲鱼别人付款了,我关闭交易有影响吗(闲鱼别人付款了我不想卖了怎么办)

    闲鱼别人付款了,我关闭交易有影响吗(闲鱼别人付款了我不想卖了怎么办)

  • spss安装不上怎么回事(spss25安装不了)

    spss安装不上怎么回事(spss25安装不了)

  • 密码对了无法加入网络(密码对的无法加入网络是什么原因)

    密码对了无法加入网络(密码对的无法加入网络是什么原因)

  • 小米手环4有声音吗(小米手环有声音吗怎么调)

    小米手环4有声音吗(小米手环有声音吗怎么调)

  • 路由器能当交换机使用吗(路由器能当交换机使用不)

    路由器能当交换机使用吗(路由器能当交换机使用不)

  • 快手账号注销后还可以注册吗(快手账号注销后重新注册还算新用户吗)

    快手账号注销后还可以注册吗(快手账号注销后重新注册还算新用户吗)

  • 8p怎么设置门禁卡(iphone8plus设置门禁卡)

    8p怎么设置门禁卡(iphone8plus设置门禁卡)

  • 苹果手机锁屏声音小怎么办(苹果手机锁屏声音小怎么调大)

    苹果手机锁屏声音小怎么办(苹果手机锁屏声音小怎么调大)

  • 荣耀V20手机长度宽度(荣耀v20手机长多少厘米)

    荣耀V20手机长度宽度(荣耀v20手机长多少厘米)

  • 引导试访问是什么意思(引导试访问是什么)

    引导试访问是什么意思(引导试访问是什么)

  • 华为nova7和7se对比(华为nove7和7se比较)

    华为nova7和7se对比(华为nove7和7se比较)

  • 抖音帮别人上热门别人知道吗(抖音帮别人上热门对方会接到通知吗)

    抖音帮别人上热门别人知道吗(抖音帮别人上热门对方会接到通知吗)

  • airpods pro怎么充电(airpods pro怎么充电盒子怎么看在充电)

    airpods pro怎么充电(airpods pro怎么充电盒子怎么看在充电)

  • solo2和solo3有啥区别(solo2和solo3音质有啥区别)

    solo2和solo3有啥区别(solo2和solo3音质有啥区别)

  • e04授权丢失怎么办(e04授权丢失啥意思)

    e04授权丢失怎么办(e04授权丢失啥意思)

  • 华为9plus可以登两个微信吗(华为手机可以登录)

    华为9plus可以登两个微信吗(华为手机可以登录)

  • 华为手机为什么wifi突然不见了(华为手机为什么变成黑白屏了)

    华为手机为什么wifi突然不见了(华为手机为什么变成黑白屏了)

  • 爱奇艺能不能投屏电视(爱奇艺能不能投屏到电视机上面看)

    爱奇艺能不能投屏电视(爱奇艺能不能投屏到电视机上面看)

  • 导入包裹是什么意思(导入包的快捷键)

    导入包裹是什么意思(导入包的快捷键)

  • 安卓wps怎么替换文字(手机版wps替换怎么操作步骤)

    安卓wps怎么替换文字(手机版wps替换怎么操作步骤)

  • vivo怎么调返回键(vivo怎么调返回主页面的)

    vivo怎么调返回键(vivo怎么调返回主页面的)

  • 在淘宝上怎么接设计单(在淘宝上怎么接单干活)

    在淘宝上怎么接设计单(在淘宝上怎么接单干活)

  • 交管12123网络请求失败(登录12123显示网络请求失败)

    交管12123网络请求失败(登录12123显示网络请求失败)

  • 苹果xr前置呼吸灯(苹果xr前置呼吸灯显示效果视频)

    苹果xr前置呼吸灯(苹果xr前置呼吸灯显示效果视频)

  • 内存条怎么看型号(内存条怎么看型号PC4)

    内存条怎么看型号(内存条怎么看型号PC4)

  • 最领先的固态硬盘工艺是什么(2021最好的固态)

    最领先的固态硬盘工艺是什么(2021最好的固态)

  • 税务会计常用会计科目
  • 个人工程款收入不纳税
  • 补缴以前年度附加税怎么做账
  • 产权转移书据印花税包括什么
  • 股权转让后企业注销个人所得税怎么处理
  • 环境保护税是什么科目
  • 主办会计跟会计有什么区别
  • 个税申报可以去税务局吗
  • 个体户收现金可以开发票吗
  • 收购票怎么做会计分录
  • 客户到期不付款如何处理
  • 租入固定资产改扩建
  • 企业的车辆因违法停放
  • 养老保险跨年度可以补缴吗
  • 返聘已退休人员是否需要缴纳社保
  • 企业取得5%的房产增值税发票是否可以抵扣呢?
  • 固定资产累计折旧借贷方向
  • 进口货物的价格国内销售需要考虑的税
  • 纳税人所在地为
  • 当期损益包括哪些费用
  • 出口发票认证相符要多久
  • 个人所得税生产经营所得投资者减除费用
  • 领用库存商品的消费税
  • 红冲普通发票怎么开具
  • 虚开普票是不是很普遍
  • 2021新版win10
  • 企业投资收益如何做账
  • linux做raid命令
  • 购入固定资产的会计处理
  • 埃姆雷莫尔
  • echarts图表绘制步骤
  • 增值税及附加税是什么意思
  • javaweb简单项目案例
  • 应纳税为什么是0
  • 【角色扮演】
  • 印花税的相关问题
  • 金蝶利息收入结转怎么弄
  • 图像超分综述怎么做
  • yolov4源码解读
  • php array_merge_recursive 数组合并
  • php文件上传操作流程图
  • 保理属于什么行业分类
  • 301重定向到https 并且不带www跳转到带www
  • 缴纳工会筹备金可以计入工会经费科目吗
  • 发票上的金额是含税还是不含税
  • Table ‘xxx’ is marked as crashed and should be repaired 错误解决方法参考
  • 履约保证金打到个人账户合法吗
  • 分红是怎么分的?
  • 现金日记账一般采用数量金额式
  • 残疾人就业保障金怎么计算
  • 消费税也是流转税吗
  • 待发货订单是什么意思
  • 公司章程进行变更的条件
  • 代销货物收取手续费计入
  • 制造费用和管理费用怎么结转
  • 为什么开发票能抵税?
  • sql server的go
  • centos5.7
  • centos 安装
  • win10系统资源
  • 电脑开机后显示xp界面后一直是黑屏状态
  • windows任务栏变色
  • mac局域网控制windows
  • 不能运行应用程序的是
  • linux的vi使用教程
  • win7登录账号
  • win7 c盘打不开
  • cocos2d-x教程
  • 如何消除手机自动出现的广告
  • node.js中的http.request.end方法使用说明
  • 子弹追踪原理
  • interview分析方法
  • Unity64 AStarPath 寻路失效 Bug解决 IOS64 IL2CPP - Bad date/time format in the zip file
  • python字典键值对个数
  • jquery插件是干什么的
  • ca证书密码是什么
  • 一般纳税人业务招待费可以抵扣吗
  • 外经证办理流程在哪个网站申请
  • 贵州网上税务大厅官网
  • 企业怎么成立工会组织
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设