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)

  • 天猫直送什么意思(天猫直送是送到哪里)

    天猫直送什么意思(天猫直送是送到哪里)

  • 华为nova5的广角怎么开(华为nova5广角模式怎么开)

    华为nova5的广角怎么开(华为nova5广角模式怎么开)

  • 微信运动关机后计步吗(微信运动关机后会更新吗)

    微信运动关机后计步吗(微信运动关机后会更新吗)

  • 电脑节能模式开不了机(电脑节能模式开不开机)

    电脑节能模式开不了机(电脑节能模式开不开机)

  • 手机充电孔充不了电该自己怎么解决(手机充电孔充不上电能修吗)

    手机充电孔充不了电该自己怎么解决(手机充电孔充不上电能修吗)

  • 华为m6手写笔怎么连接(华为m6手写笔怎么连接平板)

    华为m6手写笔怎么连接(华为m6手写笔怎么连接平板)

  • 直播回放怎么下载(直播回放怎么下载下来)

    直播回放怎么下载(直播回放怎么下载下来)

  • 电脑QQ上怎么截屏发给别人(电脑上怎么截屏qq)

    电脑QQ上怎么截屏发给别人(电脑上怎么截屏qq)

  • 短信内容不在屏幕显示(短信不在屏幕上显示)

    短信内容不在屏幕显示(短信不在屏幕上显示)

  • 华为手机屏幕漏液原因(华为手机屏幕漏液属于三包吗)

    华为手机屏幕漏液原因(华为手机屏幕漏液属于三包吗)

  • vivoy71a手机卡了怎么办(vivo手机卡住了咋办)

    vivoy71a手机卡了怎么办(vivo手机卡住了咋办)

  • 无法连接到相机是什么意思(华为无法连接到相机)

    无法连接到相机是什么意思(华为无法连接到相机)

  • word怎么裁剪身份证的边(world如何裁剪)

    word怎么裁剪身份证的边(world如何裁剪)

  • 怎么自己设计手机壁纸(怎么自己设计手机主题)

    怎么自己设计手机壁纸(怎么自己设计手机主题)

  • 手机上qq群怎么禁言一个人(手机上qq群怎么恢复群)

    手机上qq群怎么禁言一个人(手机上qq群怎么恢复群)

  • 手机版自动回复怎么删除(手机版自动回复QQ)

    手机版自动回复怎么删除(手机版自动回复QQ)

  • 小米cc9e多少w快充(小米cc9多少瓦)

    小米cc9e多少w快充(小米cc9多少瓦)

  • 苹果x有锁是什么意思(苹果x有锁机多少钱)

    苹果x有锁是什么意思(苹果x有锁机多少钱)

  • 计算机病毒是计算机系统中自动产生的(计算机病毒是计算机隐藏在哪里的)

    计算机病毒是计算机系统中自动产生的(计算机病毒是计算机隐藏在哪里的)

  • 酷狗怎么给好友送专辑(酷狗怎么给好友发消息)

    酷狗怎么给好友送专辑(酷狗怎么给好友发消息)

  • 快手8484作品怎么拍(快手视频作品)

    快手8484作品怎么拍(快手视频作品)

  • 手机怎样拉黑一个网址(手机如何拉黑)

    手机怎样拉黑一个网址(手机如何拉黑)

  • 全民k歌查看微信访客(怎样从全民k歌查找微信)

    全民k歌查看微信访客(怎样从全民k歌查找微信)

  • tim邮箱在哪里(tim邮箱在哪里打开)

    tim邮箱在哪里(tim邮箱在哪里打开)

  • 顿号在键盘上输入教程(顿号用键盘怎么输入)

    顿号在键盘上输入教程(顿号用键盘怎么输入)

  • phpcms phpsso验证码错误(php手机验证码验证)

    phpcms phpsso验证码错误(php手机验证码验证)

  • 哪些是现代服务
  • 税务申报退税
  • 代扣代缴个人所得税账务处理
  • 私车公用协议可以入账吗?
  • 息税前利润变动率
  • 进项税大于销项税需要交附加税吗
  • 工会建账选择哪个科目好
  • 预算收入包括增值税吗
  • 单位出租厂房如何开票
  • 月末计算各种税费表格模版
  • 银行利息收入可以开增值税专用发票
  • 税务一般纳税人
  • 开给个人的普票怎么做分录
  • 合同签了发票开了钱没给怎么办
  • 累计折旧费用
  • 支付董事会成员津贴计入什么科目
  • 投标标费退回怎么做分录
  • 公司的资本成本取决于投资人的必要报酬率
  • 建筑业进项税抵扣不足
  • 记账凭证保存年限2019
  • 应收账款核销如何做账
  • 小规模纳税人一个月能开多少税票
  • 公司收到加盟费怎么做会计分录
  • php命令行执行文件
  • 消费税有减免政策吗
  • 来料加工方式中,料件和加工后
  • 栀子花的养殖方法和注意事项茉莉花
  • 若依框架搭建
  • 固定资产转让税金怎么算
  • 新制度下财政拨款是什么
  • 购买免税农产品可以抵扣进项税
  • PHP使用http_build_query()构造URL字符串的方法
  • java继承的基本概念
  • h5项目怎么打包成app
  • php数学
  • pythonjson文件存储
  • vim8.2插件
  • 跨域问题是什么
  • 人力资源增加什么资金积累
  • 4s店收到红字发票怎么办
  • sql2005sp4
  • 期初余额调整怎么做凭证
  • 工会支付职工福利费做账
  • 外购商品发放给员工 进项税额能不能抵扣
  • 发票没有纳税人识别号怎么重开
  • 利息收入算什么
  • 免抵退税和留抵退税计算题
  • 增值税申报表中期初未缴税额指什么
  • 公司年底奖金怎么计算
  • 如何做好应收应付会计
  • 库存商品期末为负数
  • 公司应该怎么记账
  • 行政单位 预算会计
  • 外汇汇兑损益财务处理
  • 困难补助属于兜底政策吗
  • 非限定性净资产 限定性净资产
  • 百旺金赋开票系统图标
  • 试运行成本会计分录
  • 产品成本核算有哪些方法
  • 剩余股利政策发放股利后的年末未分配利润
  • 关税用什么会计科目
  • MySQL5.6下windows msi安装详细介绍
  • SQL Server SQL Agent服务使用教程小结
  • 重装机兵
  • mysql_info
  • Linux系统下以模块方式安装卸载文件系统
  • win8 开机
  • win7还原电脑系统的步骤
  • win7怎么更改系统字体大小
  • js基于贪心算法实验报告
  • linux find命令用法
  • vue自定义过滤器的语法
  • nodejs.
  • android四大组件的作用
  • 青岛税务局领导
  • 江苏发票真伪查询
  • 社保扣费为什么忽高忽低
  • 环保信用评价等级分级情况
  • 两不一欠自查报告怎么写
  • 国税发2014年39号
  • 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