鸢尾花分类

文章链接：文章链接
实验目标：
构建一个SVM分类模型，根据鸢尾花数据集中的的花萼和花瓣大小将其分为三种不同的品种分类。
鸢尾花数据集介绍：
如下图1所示，前四列分别为鸢尾花的花萼长度、花萼宽度、花瓣长度和花瓣宽度，最后一列为品种名称，分别为山鸢尾、变色鸢尾、维吉尼亚鸢尾。

实验步骤：
本次实验基于百度飞浆的aistudio平台，aistudio平台为实验者免费提供了云服务器资源，帮助实验者进行算法验证。
（1） 数据集整理，并上传数据集
（2） 导入相应的程序算法包
（3） 对数据标签进行修改
（4） 对数据集和验证集进行划分
（5） 搭建SVM多分类模型
（6） 进行模型训练
（7） 对训练出来的模型准确度进行评估

程序代码：

//导入相应的包
import numpy as np                
from matplotlib import colors     
from sklearn import svm            
from sklearn.svm import SVC
from sklearn import model_selection
import matplotlib.pyplot as plt
import matplotlib as mpl

//对数据集中相应的标签进行处理
def iris_type(s):
    it = {b'Iris-setosa':0, b'Iris-versicolor':1, b'Iris-virginica':2}
return it[s]

//设置数据集加载路径
data_path='iris.data'           

//对加载数据集方式进行设置
data = np.loadtxt(data_path, dtype=float, delimiter=',',converters={4:iris_type})

//进行数据分割，
x, y = np.split(data, (4,), axis=1)                   
x = x[:, 0:4]                             

//对训练集和测试集进行划分，比例为训练集70%，测试集为30%
x_train,x_test,y_train,y_test=model_selection.train_test_split(x,y,random_state=1,  test_size=0.3)  

//进行svm分类器模型的搭建，奖惩系数为0.5，“ovr”为多分类模式
def classifier():
   
    clf = svm.SVC(C=0.5,  kernel='linear', decision_function_shape='ovr') 
    return clf

//将模型定义为clf
clf = classifier()

//创建训练模型函数
def train(clf,x_train,y_train):
    clf.fit(x_train,y_train.ravel()) 


//开始训练模型
train(clf,x_train,y_train)

//进行模型的评估，判断a b是否相等，计算acc的均值
def show_accuracy(a, b, tip):
    acc = a.ravel() == b.ravel()
    print('%s Accuracy:%.3f' %(tip, np.mean(acc)))

//定义验证模型准确率函数,并进行打印
def print_accuracy(clf,x_train,y_train,x_test,y_test):
    
    print('trianing prediction:%.3f' %(clf.score(x_train, y_train)))
    print('test data prediction:%.3f' %(clf.score(x_test, y_test)))
   
    show_accuracy(clf.predict(x_train), y_train, 'traing data')
    show_accuracy(clf.predict(x_test), y_test, 'testing data')
    print('decision_function:\n', clf.decision_function(x_train))

//开始进行模型评估
print_accuracy(clf,x_train,y_train,x_test,y_test)

可以的得出这个实验模型的训练集精确度为0.981，测试集的精确度为0.978。