七：python实现svm的实例【实测成功】

转载，感谢大佬博主

线性分类实例

样本数据：代码生成的随机数

代码可直接运行

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

np.random.seed(0)
x = np.r_[np.random.randn(20, 2) - [2, 2], np.random.randn(20, 2) + [2, 2]]  # 正态分布来产生数字,20行2列*2
y = [0] * 20 + [1] * 20  # 20个class0，20个class1

clf = svm.SVC(kernel='linear')  # core
clf.fit(x, y)

w = clf.coef_[0]  # 获取w
a = -w[0] / w[1]  # 斜率
# 画图划线
xx = np.linspace(-5, 5)  # (-5,5)之间x的值
yy = a * xx - (clf.intercept_[0]) / w[1]  # xx带入y，截距

# 画出与点相切的线
b = clf.support_vectors_[0]
yy_down = a * xx + (b[1] - a * b[0])
b = clf.support_vectors_[-1]
yy_up = a * xx + (b[1] - a * b[0])

print("W:", w)
print("a:", a)

print("support_vectors_:", clf.support_vectors_)
print("clf.coef_:", clf.coef_)

plt.figure(figsize=(8, 4))
plt.plot(xx, yy)
plt.plot(xx, yy_down)
plt.plot(xx, yy_up)
plt.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], s=80)
plt.scatter(x[:, 0], x[:, 1], c=y, cmap=plt.cm.Paired)  # [:，0]列切片，第0列

plt.axis('tight')

plt.show()

效果

鸢尾花svm二特征分类实例

样本数据

下载：官网传送门

只进行预测的代码（可直接运行）

下载好数据到代码文件所在的文件夹里，代码可直接运行

from sklearn import svm
import numpy as np
import sklearn

# 取数据集
path=r'E:\第二次实验\iris.data'
def Iris_label(s):
    it={b'Iris-setosa':0,b'Iris-versicolor':1,b'Iris-virginica':2}
    return it[s]
data=np.loadtxt(path,dtype=float,delimiter=',',converters={4:Iris_label})


# 划分样本数据和标签 和 抽取训练集测试集
x,y=np.split(data,indices_or_sections=(4,),axis=1)
train_data,test_data,train_label,test_label=sklearn.model_selection.train_test_split(x,y,random_state=1,train_size=0.6,test_size=0.4)


# 定义svm并训练
classifier=svm.SVC(C=2,kernel='rbf',gamma=10,decision_function_shape='ovr')
classifier.fit(train_data,train_label.ravel())


# 识别率
# print('训练集：',classifier.score(train_data,train_label))
# print('测试集：',classifier.score(test_data,test_label))

# 另一种方式计算识别率——先得出预测值，再compare
from sklearn.metrics import accuracy_score
tra_label=classifier.predict(train_data)
tes_label=classifier.predict(test_data)
print('训练集：',accuracy_score(train_label,tra_label))
print('测试集',accuracy_score(test_label,tes_label))


# 查看内部决策函数
# print('train_decision_function:',classifier.decision_function(train_data))
# print('predict_result:',classifier.predict(train_data))


print('ok')

效果

预测加画图的代码（可直接运行）

与“只预测的代码的区别是”，画图只能选两维数据进行svm的训练，精度较低。（前面的只预测的代码选用全部维度数据4维，进行svm的训练。）

下载好数据到代码文件所在的文件夹里，代码可直接运行

from sklearn import svm
import numpy as np
import sklearn

# 取数据集
path=r'E:\第二次实验\iris.data'
def Iris_label(s):
    it={b'Iris-setosa':0,b'Iris-versicolor':1,b'Iris-virginica':2}
    return it[s]
data=np.loadtxt(path,dtype=float,delimiter=',',converters={4:Iris_label})


# 划分样本数据和标签 和 抽取训练集测试集
x,y=np.split(data,indices_or_sections=(4,),axis=1)
x=x[:,0:2]
train_data,test_data,train_label,test_label=sklearn.model_selection.train_test_split(x,y,random_state=1,train_size=0.6,test_size=0.4)


# 定义svm并训练
classifier=svm.SVC(C=2,kernel='rbf',gamma=10,decision_function_shape='ovr')
classifier.fit(train_data,train_label.ravel())


# 识别率
# print('训练集：',classifier.score(train_data,train_label))
# print('测试集：',classifier.score(test_data,test_label))

# 另一种方式计算识别率——先得出预测值，再compare
from sklearn.metrics import accuracy_score
tra_label=classifier.predict(train_data)
tes_label=classifier.predict(test_data)
print('训练集：',accuracy_score(train_label,tra_label))
print('测试集',accuracy_score(test_label,tes_label))


# 查看内部决策函数
print('train_decision_function:',classifier.decision_function(train_data))
print('predict_result:',classifier.predict(train_data))



# 5.绘制图形
# 确定坐标轴范围
import matplotlib
import matplotlib.pyplot as plt

x1_min, x1_max = x[:, 0].min(), x[:, 0].max()  # 第0维特征的范围
x2_min, x2_max = x[:, 1].min(), x[:, 1].max()  # 第1维特征的范围
x1, x2 = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j]  # 生成网络采样点
grid_test = np.stack((x1.flat, x2.flat), axis=1)  # 测试点
# 指定默认字体
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
# 设置颜色
cm_light = matplotlib.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])
cm_dark = matplotlib.colors.ListedColormap(['g', 'r', 'b'])

grid_hat = classifier.predict(grid_test)  # 预测分类值
grid_hat = grid_hat.reshape(x1.shape)  # 使之与输入的形状相同

plt.pcolormesh(x1, x2, grid_hat, cmap=cm_light)  # 预测值的显示
plt.scatter(x[:, 0], x[:, 1], c=y[:, 0], s=30, cmap=cm_dark)  # 样本
plt.scatter(test_data[:, 0], test_data[:, 1], c=test_label[:, 0], s=30, edgecolors='k', zorder=2,
            cmap=cm_dark)  # 圈中测试集样本点
plt.xlabel('花萼长度', fontsize=13)
plt.ylabel('花萼宽度', fontsize=13)
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title('鸢尾花SVM二特征分类')

plt.show()
print('ok')

效果

参考

感谢大佬博主们

线性分类传送门

鸢尾花

鸢尾花传送门2