svm支持向量机调库代码

import numpy as np,matplotlib.pyplot as plt
from sklearn.svm import SVC#（分类）,SVR#(回归)
import sklearn.datasets as dts
from sklearn.metrics import confusion_matrix,classification_report
# 3、加载乳腺癌数据集
data=dts.load_iris()
x=data.data[:,:2]
y=data.target
print(y)
# 5、对特征数据进行归一化缩放处理
x_mean=np.mean(x,axis=0)
x_std=np.std(x,axis=0,ddof=1)
x=(x-x_mean)/x_std
# 6、洗牌，并按照8:2切分训练集与测试集
np.random.seed(5)
m=len(x)
order=np.random.permutation(m)
x=x[order]
y=y[order]
num=int(m*0.8)
train_x,test_x=np.split(x,[num])
train_y,test_y=np.split(y,[num])
# 1、创建支持向量机（SVM）分类模型
# 2、要求惩罚项系数为2.0，核函数为高斯核函数rbf, 线性核函数linear,多项式核函数poly,核函数sigmoid
svm_model=SVC(C=2.0,kernel='linear')
# 7、进行SVM模型训练和预测
svm_model.fit(train_x,train_y)
test_h=svm_model.predict(test_x)
# 8、输出训练集精度
print('训练集精度:',svm_model.score(train_x,train_y))
# 9、输出测试集分类报告，混淆矩阵h
print('混淆矩阵:\n',confusion_matrix(test_y,test_h))
print('测试集分类报告:\n',classification_report(test_y,test_h))
# 10、绘图展示真实分类，用星型*标注预测分类情况
#画真实样本散点图
plt.scatter(test_x[:,0],test_x[:,1],c=test_y)
plt.scatter(test_x[:,0],test_x[:,1],c=test_h,marker='*')
plt.show()
print('支持向量在样本中的索引:',svm_model.support_)#属性
print('所有支持向量的坐标:',svm_model.support_vectors_)
print('每一类中支持向量的个数:',svm_model.n_support_)#0类44，1类43
print('权重:',svm_model.coef_)#除了theta0之外的其它特征,只有线性核函数linear有
print('超平面参数:',svm_model.intercept_)#theta0
#等高线图
#确定画布的大小
x1_min,x1_max=x[:,0].min(),x[:,0].max()
x2_min,x2_max=x[:,1].min(),x[:,1].max()
#切分网格
#横纵轴各切分200份
x1_lin=np.linspace(x1_min,x1_max,200)
x2_lin=np.linspace(x2_min,x2_max,200)
#网格化（轴上划分后进行一个延伸）
x1_mat,x2_mat=np.meshgrid(x1_lin,x2_lin)
#分别展开网格化横纵坐标并按列拼接
x1_x2=np.c_[x1_mat.ravel(),x2_mat.ravel()]#降为一维
#对40000个点坐标进行类别预测并重整成200*200的矩阵
h=svm_model.predict(x1_x2).reshape(200,200)#预测特征数必须和训练特证数一致
#画轮廓色
plt.contourf(x1_mat,x2_mat,h)
#画轮廓线
plt.contour(x1_mat,x2_mat,h)
#画样本点
plt.scatter(x[:,0],x[:,1],c=y.ravel(),edgecolors='k',s=20)#点描边，防止和背景色容为一体,s=20是为了控制点的大小
plt.show()