ML 100day servenday(SVM )

SVM(Support Vector Machines)支持向量机

一、什么是SVM？他是个有监督的机器学习算法，和KNN一样可用于分类和回归分析，最主要是用在分类问题中。在这个算法中，更具特征值，构建n维空间（其中n即是特征的数量），吧每个数据投影到此空间内。
二、数据如何分类？通过查找一个超平面，把数据区分为两类。换句话说，算法输出一个最佳超平面，用于数据分类
三、什么是最佳超平面
对SVM来说，它指的是距离两类数据最远的一个超平面。即是，此超平面到最近元素的距离最远

代码实现：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#导入数据集
df = pd.read_csv(‘C:\Users\Administrator\Desktop\ml 100day\Social_Network_Ads.csv’)
df.head()
#数据无异常值
#划分XY
X = df.iloc[:,[2,3]].values
Y = df.iloc[:,4].values
#测试集训练集拆封、
from sklearn.model_selection import train_test_split
X_train,X_test,Y_train,Y_test = train_test_split(X,Y,test_size=0.25,random_state=0)
#数据归一化（特征缩放）
from sklearn.preprocessing import StandardScaler
#创建对象
ss = StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.transform(X_test) #此处必须是transform
#创建SVN对象

from sklearn.svm import SVC
classifier = SVC(kernel=‘linear’,random_state=0)
classifier.fit(X_train,Y_train)

#predict result
y_pred = classifier.predict(X_test)

#使用混淆矩阵完成
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(Y_test,y_pred)

结果：
array([[57,  1],
	  [ 6, 16]], dtype=int64)

**精确率：57/（57+6）= 0.904
准确率： 57/（57+1）=0.982
召回率： （57+16）/（57+16+1+6）=0.912**