python SVM支持向量机(不做图)

目前在研究智能学习算法的时候，学习了一点python使用支持向量机做分类

首先，导入必要的算法包

from sklearn import svm
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split

使用pandas内的函数读取文件

data = pd.read_csv("D:/Bank_dataset.csv", header=None)

选择样本特征集和样本结果

y, x = np.split(data, (1,), axis=1)

split(数据，分割位置，轴=1（水平分割） or 0（垂直分割）)

使用train_test_split将读入的数据划分成训练集和测试集

x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=1, test_size=0.2)

再接下来要训练SVM分类器

clf = svm.SVC(C=0.1, kernel='linear', decision_function_shape='ovr')
clf.fit(x_train, y_train.values.ravel())

训练完之后就可以算测试集或者是训练集准确度了

print(clf.score(x_test, y_test))  # 测试集准确度
print(clf.score(x_train, y_train))  # 训练集准确度

还可以使用predict方法进行对特征的预测结果,可以预测出结果

print(clf.predict([[1,2,1]]))

完整代码如下

from sklearn import svm
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split

if __name__ == '__main__':
    data = pd.read_csv("D:/Bank_dataset.csv", header=None)
    y, x = np.split(data, (1,), axis=1)
    x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=1, test_size=0.2)
    clf = svm.SVC(C=0.1, kernel='linear', decision_function_shape='ovr')
    clf.fit(x_train, y_train.values.ravel())
    print(clf.score(x_test, y_test))  # 测试集准确度
    print(clf.score(x_train, y_train))  # 训练集准确度
    print(clf.predict([[1,2,1]]))

python中使用支持向量机做分类还是不难的