《机器学习入门与实践-基于scikit-learn和Keras》课后习题答案-第七章

一.填空题

1. 最大边距超平面

2. 铰链，正则化项

3. 核方法

4. 损失函数，分类器参数矩阵的范数

5. 正则化

二.编程题

import numpy as np
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV,train_test_split
iris=load_iris()
#step1:将原始数据转化为SVM能识别的数据格式
X=iris.data
y=iris.target
#step2:将数据标准化，此处标准化X
scaler=StandardScaler()
X_std=scaler.fit_transform(X)
#划分数据集为训练集和测试集
X_train,X_test,y_train,y_test=train_test_split(X_std,y,test_size=0.3)
#step3:确定SVM的核函数，缺省使用RBF核
svc=SVC(kernel='rbf',class_weight='balanced')
c_range=np.logspace(1,5,19,base=2)
gamma_range=np.logspace(-7,-3,19,base=2)
#step4:利用交叉验证网格搜索寻找最优参数C和gamma，cv=3,三折交叉
param_grid=[{'kernel':['rbf'],'C':c_range,'gamma':gamma_range}]
grid=GridSearchCV(svc,param_grid,cv=3,n_jobs=-1)
#step5:使用最优参数训练模型
clf=grid.fit(X_train,y_train)
print(grid.best_params_)
#step6:测试，此处计算测试集精度
score=grid.score(X_test,y_test)
print(score)

程序的运行结果：