第九篇：机器学习基础：集成学习算法与SVM支持向量机的代码实操及调参

最新推荐文章于 2022-11-27 16:57:31 发布

太阳不热

最新推荐文章于 2022-11-27 16:57:31 发布

阅读量1.3k

点赞数

分类专栏：机器学习算法入门及应用实战文章标签：机器学习算法 svm 支持向量机

本文链接：https://blog.csdn.net/weixin_43595476/article/details/106420574

版权

本文介绍了机器学习中的集成学习与支持向量机（SVM）的应用。通过读取数据、预处理，利用Pipeline构建模型，并详细讲解了SVM和随机森林的参数设置。接着，采用GridSearchCV进行参数调优，最后对SVM和随机森林模型进行了评估和预测。

摘要由CSDN通过智能技术生成

导入相应的标准库

	import pandas as pd
	from sklearn.model_selection import train_test_split
	from sklearn.pipeline import Pipeline
	from sklearn.preprocessing import StandardScaler
	from sklearn.decomposition import PCA
	from sklearn.svm import SVC
	from sklearn.model_selection import GridSearchCV
	from sklearn.ensemble import RandomForestClassifier
	import datetime
	from sklearn.metrics import confusion_matrix, classification_report

第一步：读取数据

	# local_path = pd.read_csv("...")
    local_path = pd.read_csv("./alipay_huabei_GS1.csv")
    # 查看一下 文件内容的前几行信息
    print(local_path.head())
    # 文件过大，进行随机抽样, frac确定抽取的比例， random_state以确保可重复性的例子。
    local_path = pd.DataFrame.sample(local_path, frac=0.3, random_state=1)
    # 另一种对文件处理对方式：选择前1000行数据
    # local_path = local_path[0: 1000]

第二步：数据预处理

    # 2.1) 筛选特征值与目标值
    # 属性特征值的列范围为，第二列到倒数第二列
    x_data = local_path.iloc[:, 1: -1]
    # print(x_data.head())

    # 目标值为最后一列
    x_target = local_path['default.payment.next.month']
    # print(x_target.head())
    # 2.2) 数据集划分，要注意划分的之后的变量的接收顺序
    x_train, x_test, y_train