sklearn 鸢尾花 svm分类器

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import datasets
#一、数据的获取
iris = datasets.load_iris()
#df=pd.DataFrame(iris.data,columns=iris.feature_names)
#df['target']=iris.target
#plt.plot(df)
#plt.show()

#二、数据预处理
from sklearn import preprocessing
scaler=preprocessing.MinMaxScaler()   #MinMaxScaler将样本特征值线性缩放到0.1之间
scaler.fit(iris.data)
data=scaler.transform(iris.data)
target=iris.target

#三、模型的训练

from sklearn.model_selection import train_test_split
#引入模型选择的库
#这里面输入数据集，然后指定训练集的大小，比如:1/3，可以设置
X_train,X_test,y_train,y_test=train_test_split(data,target,test_size=1/3)
from sklearn import svm
clf = svm.SVC(kernel='linear',C=1)
clf.fit(X_train,y_train)   #用训练集数据喂养模型
a=clf.predict(X_test)
b=clf.get_params() #查看模型的参数
c=clf.score(X_test,y_test)#查看匹配度，正确率

#四、模型的评估
#分类模型评分报告
from sklearn.metrics import classification_report
print(classification_report(target,clf.predict(data),target_names=iris.target_names))

from sklearn.model_selection import cross_val_score   #k折交叉验证
scores= cross_val_score(clf,data,target,cv=5)

#五、模型的优化
#pass

#六、模型持久化
import pickle
s = pickle.dumps(clf)  #保存模型成为字符串
clf2=pickle.loads(s)   #从字符串加载模型
a=clf2.predict(data)

from sklearn.externals import joblib
joblib.dump(clf,'filename.pkl')#保存模型到文件
clf3=joblib.load('filename.pkl') #加载文件
a=clf3.predict(data)