制作自己网站有什么用,外贸获客软件,设计公司名字创意,有哪些好的印花图案设计网站除了在Matlab中使用PRTools工具箱中的svm算法#xff0c;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#xff0c;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#xff0c;具体使用…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
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。egC:/Dataset/iris.txt。
dtype数据类型。egfloat、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
def iris_type(s):
it {Iris-setosa: 0, Iris-versicolor: 1, Iris-virginica: 2}
return it[s]
接下来读入数据converters{4: iris_type}中“4”指的是第5列
path uD:/f盘/python/学习/iris.data # 数据文件路径
data np.loadtxt(path, dtypefloat, 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,), axis1)
x x[:, :2]
x_train, x_test, y_train, y_test train_test_split(x, y, random_state1, train_size0.6)
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_state0)
参数解释
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(C0.1, kernellinear, decision_function_shapeovr)
clf svm.SVC(C0.8, kernelrbf, gamma20, decision_function_shapeovr)
clf.fit(x_train, y_train.ravel())
kernellinear时为线性核C越大分类效果越好但有可能会过拟合defaul C1。
kernelrbf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_shapeovr时为one v rest即一个类别与其他类别进行划分
decision_function_shapeovo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
print clf.score(x_train, y_train) # 精度
y_hat clf.predict(x_train)
show_accuracy(y_hat, y_train, 训练集)
print clf.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xy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), axis1) # 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Fxyxy。x轴范围1~3y轴范围4~6当绘制图像时主要分四步进行
【step1x扩展】(朝右扩展)
[1 1 1]
[2 2 2]
[3 3 3]
【step2y扩展】(朝下扩展)
[4 5 6]
[4 5 6]
[4 5 6]
【step3定位xiyi】
[(1,4) (1,5) (1,6)]
[(2,4) (2,5) (2,6)]
[(3,4) (3,5) (3,6)]
【step4将xiyi代入F(x,y)xy】
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axis1生成测试点2.指定默认字体
mpl.rcParams[font.sans-serif] [uSimHei]
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, cmapcm_light)
plt.scatter(x[:, 0], x[:, 1], cy, edgecolorsk, s50, cmapcm_dark) # 样本
plt.scatter(x_test[:, 0], x_test[:, 1], s120, facecolorsnone, zorder10) # 圈中测试集样本
plt.xlabel(u花萼长度, fontsize13)
plt.ylabel(u花萼宽度, fontsize13)
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title(u鸢尾花SVM二特征分类, fontsize15)
# plt.grid()
plt.show()
pcolormesh(x,y,z,cmap)这里参数代入x1x2grid_hatcmapcm_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。
最终结果为以上就是本文的全部内容希望对大家的学习有所帮助也希望大家多多支持我们。
本文标题: Python中支持向量机SVM的使用方法详解
本文地址: http://www.cppcns.com/jiaoben/python/215757.html
