训练要求
调用数据集下载鸢尾花数据集；
对数据进行处理
掉用函数训练模型
查看验证模型参数
画出样本和测试集对比图
代码如下
# 导入科学计算包，用于矩阵计算或数据拼接
import numpy as np
# 导入画图工具
from matplotlib import pyplot as plt
# 从sklearn中导入svm中的SVC
from sklearn.svm import SVC
# 导入sklearn的数据案例中的鸢尾花数据集
from sklearn.datasets import load_iris
# 读取数据
data = load_iris()
# 定义数据处理函数
def preprocess(data):
X = data['data']
y = data['target']
# 数据提取
X = X[y != 2,1:3]
y = y[y != 2]
# 特征缩放
X -= np.mean(X,axis=0)
X /= np.std(X,axis=0,ddof=1)
# 不需要数据初始化
#数据洗牌
m = len(X)
# 确定随机种子
np.random.seed(3)
# 生成随机序列
o = np.random.permutation(m)
# 洗牌
X = X[o]
y = y[o]
# 数据切割
d = int(0.7 * m)
X_train,X_test = np.split(X,[d])
y_train,y_test = np.split(y,[d])
# 数据处理完毕，返回处理好的数据
return X,y,X_train,X_test,y_train,y_test
# 调用数据处理函数 获得处理好的数据
X,y,X_train,X_test,y_train,y_test = preprocess(data)
# 创建SVM模型
model_svm = SVC(C=1,kernel='linear')
# 调用fit函数训练模型
model_svm.fit(X_train,y_train)
# 模型已经训练好，现在可以调用何种函数查看训练好的参数
# 查看准确率
ss = model_svm.score(X_test,y_test)
print('测试集的准确率是：',ss)
# 查看支持向量
print('这个模型的支持向量的下标是：\n',model_svm.support_)
print('这个模型的支持向量的个数是：\n',model_svm.n_support_)
print('这个模型的支持向量是：\n',model_svm.support_vectors_)
# 查看theta参数
print('这个模型训练好的参数是：\n',model_svm.coef_)
# 调用训练好的模型获得预测的值
X_train_h = model_svm.predict(X_train)
X_test_h = model_svm.predict(X_test)
# 开始画图部分
# 确定画图的范围
x1_min,x1_max,x2_min,x2_max = np.min(X[:,0]),np.max(X[:,0]),np.min(X[:,1]),np.max(X[:,1])
# 将画布切割成200*200
x1,x2 = np.mgrid[x1_min:x1_max:200j,x2_min:x2_max:200j]
# 计算点到超平面的距离
# 首先对数据进行拼接
x1x2 = np.c_[x1.ravel(),x2.ravel()]
z = model_svm.decision_function(x1x2)
z = z.reshape(x1.shape)
# 画出所有的样本点
plt.scatter(X[:,0],X[:,1],c=y,zorder=10)
# 画出测试集的样本点
plt.scatter(X_train[:,0],X_train[:,1],s=100,facecolor='none',zorder=10,edgecolors='k')
# 画等值面
plt.contourf(x1,x2,z>=0,cmap=plt.cm.Paired)
# 画等值线
plt.contour(x1,x2,z,levels=[-1,0,1])
plt.show()
图形展示
