使用支持向量机和特征选择对声呐数据集进行分类分析

在机器学习中，特征选择是一个非常重要的步骤，特别是在处理高维数据集时。通过特征选择，我们可以移除冗余或者不重要的特征，从而提高模型的性能和训练效率。下面就是对声呐数据集进行特征选择，并使用支持向量机（SVM）构建分类模型，最后比较特征选择前后的模型性能变化。

1. 数据集简介

UCI声呐数据集记录了使用声呐探测物体的208条数据，目标是对物体分类为矿物（Mine）或岩石（Rock）。每条数据包含60个特征，表示从不同角度捕获的声呐信号的强度，目标标签为两类（M表示矿物，R表示岩石）。

2. 数据加载和预处理

首先，我们需要加载数据并进行预处理。声呐数据集不包含缺失值，因此我们主要关注如何将类别标签转化为二进制值（M -> 1，R -> 0）。在机器学习中，通常会将数据集划分为训练集和测试集，这样可以用测试集评估模型的泛化性能。

import pandas as pd
from sklearn.model_selection import train_test_split

# 1. 加载数据
url = "sonar.all-data.csv"  
data = pd.read_csv(url, header=None)

# 2. 划分数据和标签
X = data.iloc[:, :-1]
y = data.iloc[:, -1].apply(lambda x: 1 if x == 'M' else 0)  # 将标签转换为二进制

# 3. 数据划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_spli