使用SVM对鸢尾花数据进行分类

numpy中含逗号的切片：

对于普通的切片：

list名[首：尾：步长]

numpy中的切片：     

数组名[首：尾，首：尾：步长]（逗号用于区分维度，注意：逗号前面不能限定步长）

什么意思勒：逗号用于区分维度的意思就是你有多少维，就用多少个逗号，
例如：一个二维数组，[:2,:2]   意思就是切取数组前两行两列的子数组

numpy.std(arr, axis=None, dtype=float64)函数用于计算标准差

arr表示输入的数据，可以是一维数组或二维数组。
axis表示需要计算标准差的轴。
axis=0 表示沿列计算标准差，
axis=1 表示沿行计算标准差
dtype表示计算标准差时使用的数据类型

numpy.mean(a, axis, dtype, out，keepdims )用于计算求平均值：

axis 不设置值，对 m*n 个数求均值，返回一个实数
axis = 0：压缩行，对各列求均值，返回 1* n 矩阵
axis =1 ：压缩列，对各行求均值，返回 m *1 矩阵

import numpy as np
from matplotlib import pyplot as plt
from sklearn.svm import SVC
from sklearn.datasets import load_iris

data = load_iris()

X = data['data']#字典存储，用键值做索引
y = data['target']
print(X)
print(y)
# 数据提取（该数据了的种类由0、1、2三个标签，本次只选择0、1这个数据，我也不知道为啥- -，网上大部分都去掉2）
X = X[y != 2, 0:2]
y = y[y != 2]
# Z-score标准化方法：（x-平均数）/标准差
# X=preprocessing.scale(X)
# print(np.mean(X,axis=0))
# 手动实现Z-score标准化
X -= np.mean(X, axis=0)#求取平均值
X /= np.std(X, axis=0, ddof=1)
# print(X)
m = len(X)
# 数据切割8：2
d = int(0.8 * m)
X_train, X_test = np.split(X, [d])
y_train, y_test = np.split(y, [d])
# 创建SVM模型
model_svm = SVC(C=1, kernel='rbf')
# 调用fit函数训练模型
model_svm.fit(X_train, y_train)
# 查看准确率
ss = model_svm.score(X_test, y_test)
print('测试集的准确率是：', ss)
# 调用训练好的模型获得预测的值
X_train_h = model_svm.predict(X_train)
X_test_h = model_svm.predict(X_test)

# 开始画图部分
# 确定画图的范围
x1_min, x1_max, x2_min, x2_max = np.min(X[:, 0]), np.max(X[:, 0]), np.min(X[:, 1]), np.max(X[:, 1])
# 将画布切割成200*200
x1, x2 = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j]
# 计算点到超平面的距离
# 首先对数据进行拼接
x1x2 = np.c_[x1.ravel(), x2.ravel()]
z = model_svm.decision_function(x1x2)
z = z.reshape(x1.shape)
# 画出所有的样本点
plt.scatter(X[:, 0], X[:, 1], c=y, zorder=10)
# 画出测试集的样本点
plt.scatter(X_train[:, 0], X_train[:, 1], s=100, facecolor='none', zorder=10, edgecolors='k')
# 画等值面
# plt.cm中cm全称表示colormap，
# paired表示两个两个相近色彩输出，比如浅蓝、深蓝；浅红、深红；浅绿，深绿这种。
plt.contourf(x1, x2, z >= 0, cmap=plt.cm.Paired)
# 画等值线
plt.contour(x1, x2, z, levels=[-1, 0, 1])
plt.show()

参考：

(1条消息) SVM实现鸢尾花数据集分类_任菜菜学编程的博客-CSDN博客_svm对鸢尾花数据集进行分类【ML】支持向量机（SVM）从入门到放弃再到掌握_半九拾的博客-CSDN博客_svm入门