零、参考文章和资料

参考博客：这里
数据集：资料，提取码：zmlc
大佬笔记：资料，提取码：78ae

一、scitit-learn SVM API说明

1.1 算法库概述分类算法

svm.SVC API说明
参数说明：

C: 误差项的惩罚系数，默认为1.0；一般为大于0的一个数字，C越大表示在训练过程中对于总误差的关注度越高，也就是说当C越大的时候，对于训练集的表现会越好，但是有可能引发过度拟合的问题(overfiting)
kernel：指定SVM内部函数的类型，可选值：linear、poly、rbf、sigmoid、
precomputed(基本不用，有前提要求，要求特征属性数目和样本数目一样)；默认是rbf；
degree：当使用多项式函数作为svm内部的函数的时候，给定多项式的项数，默认为3
gamma：当SVM内部使用poly、rbf、sigmoid的时候，核函数的系数值，当默认值为auto的时候，实际系数为1/n_features
coef0: 当核函数为poly或者sigmoid的时候，给定的独立系数，默认为
probability：是否启用概率估计，默认不启动，不太建议启动
shrinking：是否开启收缩启发式计算，默认为True
tol: 模型构建收敛参数，当模型的的误差变化率小于该值的时候，结束模型构建过程，默认值:1e-3
cache_size：在模型构建过程中，缓存数据的最大内存大小，默认为空，单位MB
class_weight：给定各个类别的权重，默认为空
max_iter：最大迭代次数，默认-1表示不限制
decision_function_shape: 决策函数，可选值：ovo和ovr，默认为None；推荐使用ovr；（1.7以上版本才有）

1.2 scitit-learn SVM算法库概述回归算法

1.3 scitit-learn SVM-OneClassSVM

二、鸢尾花特征分类

# -*- coding: utf-8 -*import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import warningsfrom sklearn import svm #svm分类器
from sklearn.model_selection import train_test_split # 划分训练集 测试集
from sklearn.metrics import accuracy_score # 分类准确率
from sklearn.exceptions import ChangedBehaviorWarning## 设置属性防止中文乱码
mpl.rcParams['font.sans-serif'] = [u'SimHei']
mpl.rcParams['axes.unicode_minus'] = Falsewarnings.filterwarnings('ignore', category=ChangedBehaviorWarning)## 读取数据
# 'sepal length', 'sepal width', 'petal length', 'petal width'
iris_feature = u'花萼长度', u'花萼宽度', u'花瓣长度', u'花瓣宽度'
path = 'iris.csv'  # 数据文件路径
data = pd.read_csv(path, index_col=0,header=0,names=[0,1,2,3,4])# 将类别装换成数字
mapping = {'setosa':0,'versicolor':1,'virginica':2}
data = data.replace(mapping)x, y = data[list(range(4))], data[4]
x = x[[0, 1]] # 获取第一列和第二列## 数据分割
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0, train_size=0.8)## 数据SVM分类器构建
clf = svm.SVC(C=1,kernel='rbf',gamma=0.1)
#gamma值越大，训练集的拟合就越好，但是会造成过拟合，导致测试集拟合变差
#gamma值越小，模型的泛化能力越好，训练集和测试集的拟合相近，但是会导致训练集出现欠拟合问题，从而，准确率变低，导致测试集准确率也变低。
#clf = svm.SVC(C=1, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape=None, degree=3, gamma=0.1, kernel='rbf',
#  max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False)
## 模型训练
clf.fit(x_train, y_train)## 计算模型的准确率/精度
print (clf.score(x_train, y_train))
print ('训练集准确率：', accuracy_score(y_train, clf.predict(x_train)))
print (clf.score(x_test, y_test))
print ('测试集准确率：', accuracy_score(y_test, clf.predict(x_test)))# 画图
N = 500
x1_min, x2_min = x.min()
x1_max, x2_max = x.max()
# print(x.max())
t1 = np.linspace(x1_min, x1_max, N)
t2 = np.linspace(x2_min, x2_max, N)
x1, x2 = np.meshgrid(t1, t2)  # 生成网格采样点
grid_show = np.dstack((x1.flat, x2.flat))[0] # 测试点grid_hat = clf.predict(grid_show)       # 预测分类值
grid_hat = grid_hat.reshape(x1.shape)  # 使之与输入的形状相同cm_light = mpl.colors.ListedColormap(['#00FFCC', '#FFA0A0', '#A0A0FF'])
cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])
plt.figure(facecolor='w')
## 区域图
plt.pcolormesh(x1, x2, grid_hat, cmap=cm_light)
## 所有样本点
plt.scatter(x[0], x[1], c=y, edgecolors='k', s=50, cmap=cm_dark)      # 样本
## 测试数据集
plt.scatter(x_test[0], x_test[1], s=120, facecolors='none', zorder=10)     # 圈中测试集样本
## lable列表
plt.xlabel(iris_feature[0], fontsize=13)
plt.ylabel(iris_feature[1], fontsize=13)
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title(u'鸢尾花SVM特征分类', fontsize=16)
plt.grid(b=True, ls=':')
plt.tight_layout(pad=1.5)
plt.show()

三、鸢尾花数据集不同核函数效果比较

# -*- coding: utf-8 -*
import time
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import warningsfrom sklearn import svm  # svm导入
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.exceptions import ChangedBehaviorWarning# 设置属性防止中文乱码
mpl.rcParams['font.sans-serif'] = [u'SimHei']
mpl.rcParams['axes.unicode_minus'] = Falsewarnings.filterwarnings('ignore', category=ChangedBehaviorWarning)## 读取数据
# 'sepal length', 'sepal width', 'petal length', 'petal width'
iris_feature = u'花萼长度', u'花萼宽度', u'花瓣长度', u'花瓣宽度'
path = 'iris.csv'  # 数据文件路径
data = pd.read_csv(path, index_col=0,header=0,names=[0,1,2,3,4])# 将类别装换成数字
mapping = {'setosa':0,'versicolor':1,'virginica':2}
data = data.replace(mapping)x, y = data[list(range(4))], data[4]
x = x[[0, 1]] # 获取第一列和第二列# 数据分割
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0, train_size=0.8)# 数据SVM分类器构建
svm1 = svm.SVC(C=1, kernel='linear')
svm2 = svm.SVC(C=1, kernel='rbf')
svm3 = svm.SVC(C=1, kernel='poly')
svm4 = svm.SVC(C=1, kernel='sigmoid')# 模型训练
t0 = time.time()
svm1.fit(x_train, y_train)
t1 = time.time()
svm2.fit(x_train, y_train)
t2 = time.time()
svm3.fit(x_train, y_train)
t3 = time.time()
svm4.fit(x_train, y_train)
t4 = time.time()# 效果评估
svm1_score1 = accuracy_score(y_train, svm1.predict(x_train))
svm1_score2 = accuracy_score(y_test, svm1.predict(x_test))svm2_score1 = accuracy_score(y_train, svm2.predict(x_train))
svm2_score2 = accuracy_score(y_test, svm2.predict(x_test))svm3_score1 = accuracy_score(y_train, svm3.predict(x_train))
svm3_score2 = accuracy_score(y_test, svm3.predict(x_test))svm4_score1 = accuracy_score(y_train, svm4.predict(x_train))
svm4_score2 = accuracy_score(y_test, svm4.predict(x_test))# 画图
x_tmp = [0, 1, 2, 3]
t_score = [t1 - t0, t2-t1, t3-t2, t4-t3]
y_score1 = [svm1_score1, svm2_score1, svm3_score1, svm4_score1]
y_score2 = [svm1_score2, svm2_score2, svm3_score2, svm4_score2]
plt.figure(facecolor='w', figsize=(12, 6))
plt.subplot(121)
plt.plot(x_tmp, y_score1, 'r-', lw=2, label=u'训练集准确率')
plt.plot(x_tmp, y_score2, 'g-', lw=2, label=u'测试集准确率')
plt.xlim(-0.3, 3.3)
plt.ylim(np.min((np.min(y_score1), np.min(y_score2)))*0.9,np.max((np.max(y_score1), np.max(y_score2)))*1.1)
plt.legend(loc='lower left')
plt.title(u'模型预测准确率', fontsize=13)
plt.xticks(x_tmp, [u'linear-SVM', u'rbf-SVM',u'poly-SVM', u'sigmoid-SVM'], rotation=0)
plt.grid(b=True)plt.subplot(122)
plt.plot(x_tmp, t_score, 'b-', lw=2, label=u'模型训练时间')
plt.title(u'模型训练耗时', fontsize=13)
plt.xticks(x_tmp, [u'linear-SVM', u'rbf-SVM', u'poly-SVM', u'sigmoid-SVM'], rotation=0)
plt.xlim(-0.3, 3.3)
plt.grid(b=True)
plt.suptitle(u'鸢尾花数据SVM分类器不同内核函数模型比较', fontsize=16)plt.show()# 预测结果画图# 画图比较
N = 500
x1_min, x2_min = x.min()
x1_max, x2_max = x.max()t1 = np.linspace(x1_min, x1_max, N)
t2 = np.linspace(x2_min, x2_max, N)
x1, x2 = np.meshgrid(t1, t2)  # 生成网格采样点
grid_show = np.dstack((x1.flat, x2.flat))[0]  # 测试点# 获取各个不同算法的测试值
svm1_grid_hat = svm1.predict(grid_show)
svm1_grid_hat = svm1_grid_hat.reshape(x1.shape)  # 使之与输入的形状相同svm2_grid_hat = svm2.predict(grid_show)
svm2_grid_hat = svm2_grid_hat.reshape(x1.shape)  # 使之与输入的形状相同svm3_grid_hat = svm3.predict(grid_show)
svm3_grid_hat = svm3_grid_hat.reshape(x1.shape)  # 使之与输入的形状相同svm4_grid_hat = svm4.predict(grid_show)
svm4_grid_hat = svm4_grid_hat.reshape(x1.shape)  # 使之与输入的形状相同# 画图
cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])
cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])
plt.figure(facecolor='w', figsize=(14, 7))# svm
plt.subplot(221)
# 区域图
# plt.pcolormesh(x1, x2, svm1_grid_hat, cmap=cm_light)
# 所以样本点
# 样本
plt.scatter(x[0], x[1], c=y, edgecolors='k', s=50, cmap=cm_dark)
# 测试数据集
# 圈中测试集样本
plt.scatter(x_test[0], x_test[1], s=120, facecolors='none', zorder=10)
# lable列表
plt.xlabel(iris_feature[0], fontsize=13)
plt.ylabel(iris_feature[1], fontsize=13)
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title(u'鸢尾花Linear-SVM特征分类', fontsize=16)
plt.grid(b=True, ls=':')
plt.tight_layout(pad=1.5)plt.subplot(222)
# 区域图
plt.pcolormesh(x1, x2, svm2_grid_hat, cmap=cm_light)
# 所以样本点
# 样本
plt.scatter(x[0], x[1], c=y, edgecolors='k', s=50, cmap=cm_dark)
# 测试数据集
# 圈中测试集样本
plt.scatter(x_test[0], x_test[1], s=120, facecolors='none', zorder=10)
# lable列表
plt.xlabel(iris_feature[0], fontsize=13)
plt.ylabel(iris_feature[1], fontsize=13)
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title(u'鸢尾花rbf-SVM特征分类', fontsize=16)
plt.grid(b=True, ls=':')
plt.tight_layout(pad=1.5)plt.subplot(223)# 区域图
plt.pcolormesh(x1, x2, svm3_grid_hat, cmap=cm_light)
# 所以样本点
# 样本
plt.scatter(x[0], x[1], c=y, edgecolors='k', s=50, cmap=cm_dark)
# 测试数据集
# 圈中测试集样本
plt.scatter(x_test[0], x_test[1], s=120, facecolors='none', zorder=10)
# lable列表
plt.xlabel(iris_feature[0], fontsize=13)
plt.ylabel(iris_feature[1], fontsize=13)
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title(u'鸢尾花poly-SVM特征分类', fontsize=16)
plt.grid(b=True, ls=':')
plt.tight_layout(pad=1.5)plt.subplot(224)
# 区域图
plt.pcolormesh(x1, x2, svm4_grid_hat, cmap=cm_light)
# 所以样本点
# 样本
plt.scatter(x[0], x[1], c=y, edgecolors='k', s=50, cmap=cm_dark)
# 测试数据集
# 圈中测试集样本
plt.scatter(x_test[0], x_test[1], s=120, facecolors='none', zorder=10)
# lable列表
plt.xlabel(iris_feature[0], fontsize=13)
plt.ylabel(iris_feature[1], fontsize=13)
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title(u'鸢尾花sigmoid-SVM特征分类', fontsize=16)
plt.grid(b=True, ls=':')
plt.tight_layout(pad=1.5)
plt.show()

四、BIM分类

数据产生

import randomdef calc_bmi(h, w):bmi = w / (h/100) ** 2if bmi < 18.5: return "thin"if bmi < 25.0: return "normal"return "fat"fp = open("./data/bmi.csv","w",encoding="utf-8")
fp.write("height,weight,label\r\n")cnt = {"thin":0, "normal":0, "fat":0}
for i in range(20000):h = random.randint(120,200)w = random.randint(35, 80)label = calc_bmi(h, w)cnt[label] += 1fp.write("{0},{1},{2}\r\n".format(h, w, label))
fp.close()
print("ok,", cnt)

原始数据的可视化

import matplotlib.pyplot as plt
import pandas as pdtbl = pd.read_csv("./data/bmi.csv", index_col=2)fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)def scatter(lbl, color):b = tbl.loc[lbl]ax.scatter(b["weight"],b["height"], c=color, label=lbl)scatter("fat",    "red")
scatter("normal", "yellow")
scatter("thin",   "purple")ax.legend()
plt.show()

svm分类

from sklearn.svm import SVC #svm分类器
from sklearn.model_selection import train_test_split # 划分训练集 测试集
from sklearn.metrics import accuracy_score # 分类准确率
import matplotlib.pyplot as plt
import pandas as pdtbl = pd.read_csv("./data/bmi.csv")label = tbl["label"]
w = tbl["weight"] / 100
h = tbl["height"] / 200
wh = pd.concat([w, h], axis=1)data_train, data_test, label_train, label_test = train_test_split(wh, label)clf = SVC()
clf.fit(data_train, label_train)predict = clf.predict(data_test)ac_score = accuracy_score(label_test, predict)
print(ac_score)

分类结果可视化

【SVM支持向量机】实现和案例相关推荐

R语言SVM支持向量机模型数据分类实战：探索性数据分析、模型调优、特征选择、核函数选择
R语言SVM支持向量机模型数据分类实战:探索性数据分析.模型调优.特征选择.核函数选择目录 R语言SVM支持向量机模型数据分类实战:探索性数据分析.模型调优.特征选择.核函数选择 #SVM基本原 ...
机器学习（MATLAB实现）——SVM支持向量机（一）
SVM支持向量机支持向量机理论概述二分类支持向量机多分类支持向量机 libsvm工具箱使用简介训练函数预测函数 libsvm参数实例一点拓展参考文献支持向量机理论概述核函数用于将支持 ...
SVM 支持向量机算法（Support Vector Machine ）【Python机器学习系列（十四）】
SVM 支持向量机算法(Support Vector Machine )[Python机器学习系列(十四)] 文章目录 1.SVM简介 2. SVM 逻辑推导 2.1 Part1 化简限制条件 2.2 ...
机器学习（18）-- SVM支持向量机（根据身高体重分类性别）
目录一.基础理论二.身高体重预测性别 1.获取数据(男女生身高体重) 2.数据处理(合并数据) 3.设置标签 4.创建分类器(支持向量机) 4-1.创建svm分类器 4-2.设置分类器属性(线性核 ...
SVM -支持向量机原理详解与实践之五
SVM -支持向量机原理详解与实践之四 SVM原理分析 SMO算法分析 SMO即Sequential minmal optimization, 是最快的二次规划的优化算法,特使对线性SVM和稀疏数据性 ...
ML：基于自定义数据集利用Logistic、梯度下降算法GD、LoR逻辑回归、Perceptron感知器、SVM支持向量机、LDA线性判别分析算法进行二分类预测(决策边界可视化)
ML:基于自定义数据集利用Logistic.梯度下降算法GD.LoR逻辑回归.Perceptron感知器.支持向量机(SVM_Linear.SVM_Rbf).LDA线性判别分析算法进行二分类预测(决策 ...
ML之SVM：基于SVM(支持向量机)之SVC算法对手写数字图片识别进行预测
ML之SVM:基于SVM(支持向量机)之SVC算法对手写数字图片识别进行预测目录输出结果设计思路核心代码输出结果设计思路核心代码 X_train = ss.fit_transform(X ...
SVM支持向量机详解
支持向量机支持向量机优化目标大边界大边界分类背后的数学核函数使用SVM 什么时候使用SVM 支持向量机(Support Vector Machine)是一个广泛应用于工业界和学术界的算法. ...
SVM支持向量机(上）
参考https://baike.baidu.com/item/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA/9683835?fromtitle=SVM&a ...
OpenCV SVM支持向量机和KNearest数字识别的实例(附完整代码)
OpenCV SVM支持向量机和KNearest数字识别的实例 OpenCV SVM支持向量机和KNearest数字识别的实例 OpenCV SVM支持向量机和KNearest数字识别的实例 #inc ...

【SVM支持向量机】实现和案例

文章目录

零、参考文章和资料

一、scitit-learn SVM API说明

1.1 算法库概述分类算法

1.2 scitit-learn SVM算法库概述回归算法

1.3 scitit-learn SVM-OneClassSVM

二、鸢尾花特征分类

三、鸢尾花数据集不同核函数效果比较

四、BIM分类

数据产生

原始数据的可视化

svm分类

分类结果可视化

【SVM支持向量机】实现和案例相关推荐

最新文章

热门文章