大话系列 | SVM（下）—时间刺客带你做项目
↑关注+星标，听说他有点东西
全文共1811字，阅读全文需14分钟
写在前面的话
大家好，我是小一
本节实战是我们大话系列的第4个实战项目，也是本系列的第11篇原创文章
还记得前面写Python高阶系列的时候也一口气写了10篇原创，那10篇文章用了不到两个星期，丝毫不带犹豫的。
那会写文章都是在下班之后才开始，并且还抽空在牛客网刷完了所有的SQL题，在力扣上也刷了不少算法题，现在想来也不明白当时哪来的时间。
如果非要形容一下那段时间的话，那只能一个词来形容：时间刺客
有空再聊其他的，我们先来看今天的实战项目
实战之前你还需了解这些
我们知道针对样本有线性SVM和非线性SVM
同样的在sklearn 中提供的这两种的实现，分别是：LinearSVC和SVC
SVC?不应该是SVM吗?
SVC：Support Vector Classification 用作处理分类问题
那是不是意味着还可以处理回归问题?
是的，没错。但我们常用SVM来做分类问题，处理回归问题会用到LinearSVR和SVR（R代表Regression）
SVC和LinearSVC
LinearSVC是线性分类器，用于处理线性分类的数据，且只能使用线性核函数
SVC是非线性分类器，即可以使用线性核函数进行线性划分，也可以使用高维核函数进行非线性划分
SVM的使用
在sklearn 中，同样还是一句话调用SVM
from sklearn import svm如何创建SVM分类器呢？
主要说一下SVC的创建，因为它的参数比较重要
model = svm.SVC(kernel='rbf', C=1.0, gamma=0.001)分别解释一下三个重要参数：
kernel代表核函数的选择，有四种选择，默认rbf（即高斯核函数）
参数C代表目标函数的惩罚系数，默认情况下为 1.0
参数gamma代表核函数的系数，默认为样本特征数的倒数
其中kernel代表的四种核函数分别是：
linear：线性核函数，在数据线性可分的情况下使用的
poly：多项式核函数，可以将数据从低维空间映射到高维空间
rbf：高斯核函数，同样可以将样本映射到高维空间，但所需的参数较少，通常性能不错
sigmoid：sigmoid核函数，常用在神经网络的映射中
SVM的使用就介绍这么多，来实战测试一下
实战项目
1. 数据集
SVM的经典数据集：乳腺癌诊断
医疗人员采集了患者乳腺肿块经过细针穿刺 (FNA) 后的数字化图像，并且对这些数字图像进行了特征提取，这些特征可以描述图像中的细胞核呈现。通过这些特征可以将肿瘤分成良性和恶性
本次数据一共569条、32个字段，先来看一下具体数据字段吧
字段含义
其中mean结尾的代表平均值、se结尾的代表标准差、worst结尾代表最坏值（这里具体指肿瘤的特征最大值）
所有其实主要有10个特征字段，一个id字段，一个预测类别字段
我们的目的是通过给出的特征字段来预测肿瘤是良性还是恶性
准备好了吗？3,2,1 开始
2. 数据EDA
EDA:Exploratory Data Analysis探索性数据分析
先来看数据分布情况
数据整体分布情况
一共569条、32个字段。32个字段中1个object类型，一个int型id，剩下的都是float 类型。
另外：数据中不存在缺失值
大胆猜测一下，object类型可能是类别型数据，即最终的预测类型，需要进行处理，先记下
再来看连续型数据的统计数据：
连续型数据
好像也没啥问题（其实因为这个数据本身比较规整）
那直接开始特征工程吧
3. 特征工程
首先就是将类别数据连续化
再来观察每一个特征的三个指标：均值、标准差和最大值。
优先选择均值，最能体现该指特征的整体情况
现在还有十个特征，我们通过热力图来看一下特征之间的关系
# 热力图查看特征之间的关系
sns.heatmap(df_data[df_data_X.columns].corr(), linewidths=0.1, vmax=1.0, square=True,
cmap=sns.color_palette('RdBu', n_colors=256),
linecolor='white', annot=True)
plt.title('the feature of corr')
plt.show()热力图是这样的：
注意红框圈出的部分
我们发现radius_mean、perimeter_mean和area_mean这三个特征强相关，那我们只保留一个就行了，这里保留热力图里面得分最高的perimeter_mean
最后一步，因为是连续数值，最好对其进行标准化
标准化之后的数据是这样的：
数据标准化
4. 训练模型
上面已经做好了特征工程，我们直接塞进模型看看效果怎么样
因为并不知道数据样本到底是否线性可分，所有我们都来试一下两种算法
先来看看LinearSVC 的效果
LinearSVC
效果很好，简直好的不行
这个准确率就不要纠结了，后面真正做实际案例的时候再纠结准确率吧
ok，还有SVC的效果
因为SVC需要设置参数，直接通过网格搜索让机器自己找到最优参数
网格搜索确定最优参数并训练
效果更好，小一我一时都惊呆了
可以看出，最终模型还是选择rbf高斯核函数，果然实至名归
写在后面的话
需要源代码的同学后台回复SVM
本节项目主要是介绍了SVM在skearn中的相关参数，实战项目中主要通过数据EDA+特征工程完成了数据方面的工作，然后通过交叉验证+网格搜索确定了最优模型和最优参数
算法学起来确实很吃力，不过一个算法+一个项目的学，应该会比单纯推算法有意思些，也会有成就感些。
我是小一，第一步的一，我们下节见！
即使是刺客，也会留下影子