3.3支持向量机
支持向量机基于统计学习理论,强调结构风险最小化。其基本思想是:对于一个给定有限数量训练样本的学习任务,通过在原空间或经投影后的高维空间中构造最优分离超平面,将给定的两类训练样本分开,构造分离超平面的依据是两类样本对分离超平面的最小距离最大化
代码:
import pandas as pd
data=pd.read_excel('credit.xlsx')
x=data.iloc[:680,:14].values
y=data.iloc[:680,14].values
x1=data.iloc[680:,:14].values
y1=data.iloc[680:,14].values
from sklearn import svm
clf=svm.SVC(kernel='rbf')
clf.fit(x,y)
rv=clf.score(x,y)
R=clf.predict(x1)
Z=R-y1
Rs=len(Z[Z==0])/len(Z)
print('预测结果为:',R)
print('预测准确率为:',Rs)
注:偏向于实验,代码在Jupyter Notebook中运行过;创建代码文件与数据文件需在同一个文件夹中