鸢尾花Iris数据集SVM线性分类练习

一、配置虚拟环境

这里选用命令行方式创建虚拟环境

• 首先打开cmd，输入命令

conda create -n exam1 python=3.8
exam1 是虚拟环境的文件名，python 版本 3.8

中间记得输入y，如图说明安装成功

• 输入命令进入 exam1 虚拟环境

activate
conda activate exam1

• 进入虚拟环境后，下载实验所需包

pip install numpy -i "https://pypi.doubanio.com/simple/"
pip install pandas -i "https://pypi.doubanio.com/simple/"
pip install sklearn -i "https://pypi.doubanio.com/simple/"

至此，基本环境配置成功

二、支持向量机SVM

支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法。

inearSVC（Linear Support Vector Classification）线性支持向量机，核函数是 linear，不是基于libsvm实现的
参数：

• C：目标函数的惩罚系数C，默认C = 1.0；
• loss：指定损失函数. squared_hinge(默认), squared_hinge
• penalty ： 惩罚方式，str类型，l1, l2
• dual ：选择算法来解决对偶或原始优化问题。当nsamples>nfeatures时dual=false
• tol ：svm结束标准的精度， 默认是 1e - 3
• multi_class：如果y输出类别包含多类，用来确定多类策略， ovr表示一对多，“crammer_singer”优化所有类别的一个共同的目标 。如果选择“crammer_singer”，损失、惩罚和优化将会被被忽略。
• max_iter : 要运行的最大迭代次数。int，默认1000

三、开始实验

（1）打开Jupyter Notebook

之后会弹出一个窗口和网页，如果没有弹出网页，则复制1、2、3中某一项在网页中打开

（2）打开之后如图，创建一个新项目

（2）原始数据

在编辑框内输入如下代码输入如下代码

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC

iris = datasets.load_iris()
X = iris.data
y = iris.target

X = X [y<2,:2] # 只取y<2的类别，也就是0 1 并且只取前两个特征
y = y[y<2] # 只取y<2的类别

# 分别画出类别 0 和 1 的点
plt.scatter(X[y==0,0],X[y==0,1],color='red')
plt.scatter(X[y==1,0],X