SVM分类器用python

1.1题目的主要研究内容

1. 了解分类器的原理和算法流程。利用现有的任意公开数据集实现了分类器分类，并利用评价标准对分类结果进行分析评判。
2. 我在本组中主要负责资料的查找以及PPT讲解部分。

理解SVM的工作原理：

在训练初期，分类器只看到很少的数据点，它试着画出分隔两个类的最佳决策边界。随着训练的进行，分类器会看到越来越多的数据样本，因此在每一步中不断更新决策边界。

随着训练的进行，分类器可以看到越来越多的数据样本，因此越来越清楚地知道最优决策边界应该在哪里。在这种场景下，如果决策边界的绘制方式是“–”样本位于决策边界的左边，或者“+”样本位于决策边界的右边，那么就会出现一个误分类错误。

一个SVM最有可能选择实线，因为这是“+”类和“–”类数据点之间的最大间隔的决策边界。

结果表明，为了找到最大边界，只需要考虑位于类边界上的数据点。这些数据点也被称为支持向量这也是SVM这个名字的由来。

1.2题目研究的工作基础或实验条件

（1）硬件环境：PC电脑端

（2）软件环境：编程语言为Python及M语言，编程环境为Pycharm和Matlab。

1.3设计思想

首先查找资料，对SVM分类器的工作原理以及算法流程进行了解。接下来进行上机操作，我们选用MATLAB中自带的cancer_datasets乳腺癌细胞数据集，其中有9个特征值，2个标签判断细胞是良性还是恶性。接下来对数据集进行预处理，我们选取的数据集中一共有699个细胞，这里选取前500个作为训练集，其余细胞作为测试集。想要求出最佳的支持向量机模型所以这里我们使用交叉验证来构建SVM模型，对训练集数据进行训练。最后我们用测试集来评价模型，同时用查准率作为模型的评价标准。

1.4流程图

 

1.5主要程序代码(要求必须有注释)

SVM分类器分类Matlab程序代码：

clear

close all

clc

%% 初始化数据

load("cancer_dataset.mat")%%E:\matlab2021b\toolbox\nnet\nndemos\nndatasets

cancer_original=[cancerInputs;cancerTargets];

cancer_original=cancer_ori