采用SVM实现实现Iris Data Set的数据分类

采用SVM实现Iris Date Set的数据分类)

一． 实验目的：

采用SVM实现Iris Date Set的数据分类

二． 实验环境：

Windous 10操作环境下的python和pycharm和anaconda

三. 实验步骤

1、本次实验有两种方法获取鸢尾属植物数据集的方法。一种是下载机器学习包scikt-learn直接导入数据集，另一种是到下面网站下载数据集。
http://archive.ics.uci.edu/ml/datasets/Iris
2、这里如果选用下载数据集的方法比较麻烦。有现成的scikt-learn第三方数据包就直接引用就好了。可以通过最传统的方法pip install sklearn 直接到官网下载，但是scikt-learn依赖于很多的包如numpy和scipy，但是这些包同样不可以直接通过pip install下载，要想下载他们首先要获得whl文件通过网站获取 numpy文件 http://www.lfd.uci.edu/~gohlke/pythonlibs/tugh5y6k/numpy-1.12.0+mkl-cp35-cp35m-win_amd64.whlscipy文件 http://www.lfd.uci.edu/~gohlke/pythonlibs/#scipy然后通过打开运行cmd，pip下载pip install numpy-1.12.0+mkl-cp35-cp35m-win_amd64.whlpip install <scipy-xxx.whl>pip install sklearn
3、这个sklearn包还可以通过下载第三方资源Anaconda获取。下载Anaconda后打开pycharmm通过file->settings->project->project interpreter->add 点亮Existing environment 然后找到anaconda的python.exe文件即可。
4、之后通过编写好的读取代码即可。下面是代码部分。

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


iris = datasets.load_iris()
X = iris.data[:, :2]  # 只取前两维特征
y = iris.target

h = .02  # 网格中的步长


C = 1.0  # SVM正则化参数
svc = svm.SVC(kernel='linear', C=C).fit(X, y)  # 线性核
rbf_svc = svm.SVC(kernel='rbf', gamma=0.7, C=C).fit(X, y)  # 径向基核
poly_svc = svm.SVC(kernel='poly', degree=3, C=C).fit(X, y)  # 多项式核
lin_svc = svm.LinearSVC(C=C).fit(X, y)  # 线性核


x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                     np.arange(y_min, y_max, h))

titles = ['SVC with linear kernel',
          'LinearSVC (linear kernel)',
          'SVC with RBF kernel',
          'SVC with polynomial (degree 3) kernel']

for i, clf in enumerate((svc, lin_svc, rbf_svc, poly_svc)):
    # 绘出决策边界，不同的区域分配不同的颜色
    plt.subplot(2, 2, i + 1)  # 创建一个2行2列的图，并以第i个图为当前图
    plt.subplots_adjust(wspace=0.4, hspace=0.4)  # 设置子图间隔

    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])  # 将xx和yy中的元素组成一对对坐标，作为支持向量机的输入，返回一个array

    # 把分类结果绘制出来
    Z = Z.reshape(xx.shape)  # (220, 280)
    plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)  # 使用等高线的函数将不同的区域绘制出来

    # 将训练数据以离散点的形式绘制出来
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)
    plt.xlabel('Sepal length')
    plt.ylabel('Sepal width')
    plt.xlim(xx.min(), xx.max())
    plt.ylim(yy.min(), yy.max())
    plt.xticks(())
    plt.yticks(())
    plt.title(titles[i])
plt.show() 

实验结果图片