河南大学-机器学习-SVM-实验报告6

子非鱼o.0？

于 2024-04-14 23:57:22 发布

阅读量615

点赞数 16

文章标签：机器学习支持向量机人工智能

本文链接：https://blog.csdn.net/m0_68231248/article/details/137758603

版权

本文介绍了如何使用Python的sklearn库实现支持向量机(SVM)算法，包括随机样本的二分类、线性SVM的应用以及对葡萄酒数据集进行分类时不同核函数的性能评估。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

实验目的

掌握支持向量机SVM算法原理；
编程实现SVM算法，并进行样本数据二分类

实验内容

1.使用sklearn的SVM算法对样本数据进行分类，要求：

(1)使用sklearn生成随机分布的400个样本点；

(2)对样本点进行显示；

(3)使用线性SVM进行二分类；

(4)评价模型并画出分类边界

2.使用sklearn中SVM算法对葡萄酒数据集进行分类，要求：

(1)对数据集进行分割，20%用于测试；

(2)对核函数进行选择（linear、poly、rbf、sigmod），比较不同核函数的分类精度。

实验代码

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

# 生成随机分布的400个样本点
X, y = make_blobs(n_samples=400, centers=2, random_state=42)

# 显示样本点
plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='viridis', edgecolors='k')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('Randomly Generated Sample Data')
plt.colorbar()
plt.show()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用线性SVM进行二分类
svm_model = SVC(kernel='linear', random_state=42)
svm_model.fit(X_train, y_train)

# 评价模型
y_pred = svm_model.predict(X_test)
print(classification_report(y_test, y_pred))

# 画出分类边界
plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='viridis', edgecolors='k')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('Linear SVM Classification')
plt.colorbar()

# 画出决策边界
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()

xx = np.linspace(xlim[0], xlim[1], 30)
yy = np.linspace(ylim[0], ylim[1], 30)
YY, XX = np.meshgrid(yy, xx)
xy = np.vstack([XX.ravel(), YY.ravel()]).T
Z = svm_model.decision_function(xy).reshape(XX.shape)

ax.contour(XX, YY, Z, colors='k', levels=[-1, 0, 1], alpha=0.5, linestyles=['--', '-', '--'])
ax.scatter(svm_model.support_vectors_[:, 0], svm_model.support_vectors_[:, 1], s=100, linewidth=1, facecolors='none', edgecolors='k')
plt.show()

import numpy as np
import pandas as pd
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载葡萄酒数据集
wine = load_wine()
X = wine.data
y = wine.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义不同核函数的SVM模型
kernels = ['linear', 'poly', 'rbf', 'sigmoid']
for kernel in kernels:
    svm_model = SVC(kernel=kernel)
    svm_model.fit(X_train, y_train)
    y_pred = svm_model.predict(X_test)
    acc = accuracy_score(y_test, y_pred)
    print(f"Kernel: {kernel}, Accuracy: {acc}")