（六）分类算法比较及可视化-感知器、逻辑斯蒂回归、K-近邻、朴素贝叶斯、线性支持向量机、高斯核的支持向量机、多项式核的支持向量机、决策树、随机森林、Adaboost、梯度提升树[机器学习代码]

    机器学习课程总结，本系列文章以代码和注释为主。
    理论部分搬至博客上比较耗费时间，所以缺少理论部分。但是也欢迎大家一起探讨学习。
    如果需要理论部分的讲义，可私信（个人觉的讲的很好很全）。

问题需求

现在提供了三组不同分布的样本，请选择以下算法针对三组数据分别训练模型，并可视化结果，可视化的示例如附件所示。

要求：

1. 将每组样本按照7:3的比例随机分成训练集和测试集；

2. 在训练集上分别训练分类模型：感知器、逻辑斯蒂回归、K-近邻、朴素贝叶斯、线性支持向量机、高斯核的支持向量机、多项式核的支持向量机、决策树、随机森林、Adaboost、梯度提升树；

3. 计算测试集上的准确率，并将准确率显示到可视化界面中；

4. 可视化结果时，不同类别的样本用不同形状的点加以区分，同类型的训练样本和测试样本用颜色区分。如标注为1的样本用形状1的点，标注为0的样本用形状2的点，在所有样本中，训练样本用一种颜色，测试样本用另一种颜色。

5. 提供了两种格式的数据文件：csv和npy，自己选择使用哪一种格式。

代码

# coding: utf-8

# In[373]:


import numpy as np
import pandas as pd
from sklearn import svm
import matplotlib.pyplot as plt
from sklearn.tree import DecisionTreeClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.linear_model import Perceptron
from sklearn.ensemble import AdaBoostClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.ensemble import RandomForestClassifier

# In[374]:

# 数据的读取
data_circles = pd.read_csv('./data_csv/data_circles.csv', header=None)
data_moons = pd.read_csv('./data_csv/data_moons.csv', header=None)
linearly_separable = pd.read_csv('./data_csv/linearly_separable.csv', header=None)
# print(data_moons)
# print(linearly_separable)


# In[375]:


# 数据集拆分
Cf = data_circles.iloc[:, :2]  # 特征
Cl = data_circles.iloc[:, -1].astype('int')  # 标签
cf_train, cf_test, cl_train, cl_test = train_test_split(Cf, Cl, test_size=0.3)
print(Cf)
print(Cl)
input()

Mf = data_moons.iloc[:, :2]  # 特征
Ml = data_moons.iloc[: