【第三章】机器学习(2)

3.3支持向量机

支持向量机基于统计学习理论,强调结构风险最小化。其基本思想是:对于一个给定有限数量训练样本的学习任务,通过在原空间或经投影后的高维空间中构造最优分离超平面,将给定的两类训练样本分开,构造分离超平面的依据是两类样本对分离超平面的最小距离最大化

代码:

import pandas as pd

data=pd.read_excel('credit.xlsx')

x=data.iloc[:680,:14].values

y=data.iloc[:680,14].values

x1=data.iloc[680:,:14].values

y1=data.iloc[680:,14].values

from sklearn import svm

clf=svm.SVC(kernel='rbf')

clf.fit(x,y)

rv=clf.score(x,y)

R=clf.predict(x1)

Z=R-y1

Rs=len(Z[Z==0])/len(Z)

print('预测结果为:',R)

print('预测准确率为:',Rs)

【第三章】机器学习(2)_第1张图片
 

注:偏向于实验,代码在Jupyter Notebook中运行过;创建代码文件与数据文件需在同一个文件夹中

你可能感兴趣的:(数据挖掘与机器学习,人工智能,python)