机器学习——python训练支持向量机模型实战（傻瓜式教学，小学生都可以学会）

机器学习实战目录

第一章 python训练线性模型实战

第二章 python训练决策树模型实战

第三章 python训练神经网络模型实战

第四章 python训练支持向量机模型实战

第五章 python训练贝叶斯分类器模型实战

第六章 python训练集成学习模型实战

第七章 python训练聚类模型实战

第八章 python训练KNN模型实战

第九章 python训练CNN模型实战

第十章 python训练RNN模型实战

......(会一直更新)

目录

机器学习实战目录

第四章 python训练支持向量机模型实战

1. 下载数据集

2. 处理数据

3. 准备训练数据

4. 数据预处理

5. 创建 SVM 模型

6. 训练模型

7. 测试模型

参考资料：

---

第四章 python训练支持向量机模型实战

训练一个支持向量机模型，可以按照以下步骤进行：

1. 下载数据集

可以在 UCI ML Repository、Kaggle 等网站中下载各种类型的数据集。以使用的 iris 数据集为例，具体步骤如下：

- 前往 UCI ML Repository 网站 (https://archive.ics.uci.edu/ml/index.php)。

- 在搜索栏中输入 iris，找到 iris 数据集并点击下载链接 iris.data。

2. 处理数据

将下载后的 iris.data 文件读取成 pandas.DataFrame 格式，并进行处理。

``` python

import pandas as pd



colnames = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class']

iris = pd.read_csv('iris.data', names=colnames)

iris.head()

```

3. 准备训练数据

将 iris 数据集提取特征和标签数据。

``` python

X = iris.drop('class', axis=1)

y = iris['class']

```

4. 数据预处理

使用 sklearn 库中的 StandardScaler 对特征数据进行归一化处理。

``` python

from sklearn.preprocessing import StandardScaler



scaler = StandardScaler()

X_scaled = scaler.fit_transform(X)

```

5. 创建 SVM 模型

使用 sklearn 库中的 svm.SVC 创建 SVM 模型。

``` python

from sklearn import svm



clf = svm.SVC(kernel='linear')

```

6. 训练模型

使用模型的 fit() 函数来训练数据。

``` python

clf.fit(X_scaled, y)

```

7. 测试模型

使用测试数据集验证 SVM 模型的拟合效果。

``` python

import numpy as np



# 随机生成3组测试数据，注意需要归一化处理

test_data = scaler.transform(np.array([[5.1, 3.5, 1.4, 0.2], [6.7, 3.1, 4.7, 1.5], [7.9, 3.8, 6.4, 2.0]]))



# 获得模型预测结果

pred = clf.predict(test_data)

print(pred)

```

在这里，我们使用的评价指标是准确率，用于衡量 SVM 的分类效果。其中，准确率越高，说明 SVM 模型的分类效果越好，即预测结果和真实值之间的差距越小。

参考资料：

[[1](https://zhuanlan.zhihu.com/p/31886934)]

[[2](https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html)]

大家觉得有帮助的话还请大家给个收藏关注鼓励一下，有什么问题评论区留言，看到会恢复哒~