标签：SVM min max 分类 train grid plt test 鸢尾花
用 UCI 中的 Iris 数据集做个简单的小实验。
推荐阅读：数据集的导入及简单处理
UCI Iris 数据集简介：
鸢尾花 SVM 二特征分类：
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
from sklearn import svm # sklearn自带SVM分类器
from sklearn import datasets # 导入数据集
from sklearn.model_selection import train_test_split
cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])
cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])
# 导入鸢尾花（Iris）数据集
iris = datasets.load_iris()
X = iris.data # 取数据集前四列的特征向量
Y = iris.target # 取数据集的标签（鸢尾花类型）
X = X[:, 0:2] # 取前两列特征向量，作二特征分类
x_train, x_test, y_train, y_test = train_test_split(X, Y, train_size = 0.8, random_state = 1)
# SVM 分类器
clf = svm.SVC(C = 0.8, kernel = 'rbf', gamma = 20, decision_function_shape = 'ovo')
clf.fit(x_train, y_train.ravel())
x1_min, x1_max = X[:, 0].min(), X[:, 0].max() # 第0列的范围
x2_min, x2_max = X[:, 1].min(), X[:, 1].max() # 第1列的范围
xx, yy = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j] # 生成网格采样点
grid_test = np.stack((xx.flat, yy.flat), axis = 1) # 测试点
grid_hat = clf.predict(grid_test) # 预测分类值
grid_hat = grid_hat.reshape(xx.shape) # 使之与输入的形状相同
plt.pcolormesh(xx, yy, grid_hat, cmap = cm_light)
plt.scatter(X[:, 0], X[:, 1], c = Y, edgecolors = 'k', s = 50, cmap = cm_dark) # 样本
plt.scatter(x_test[:, 0], x_test[:, 1], s = 120, facecolors = 'none', zorder = 10) # 圈中测试集样本
plt.xlabel('Length', fontsize = 13)
plt.ylabel('Width', fontsize = 13)
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title('Iris SVM classifier', fontsize = 15)
plt.grid(b = True, ls = ':')
plt.show()
# 计算准确率
print(clf.score(x_train, y_train)) # 训练集准确率
print(clf.score(x_test, y_test) ) # 测试集准确率
基于 Anaconda + Jupyter Notebook 环境的运行结果为：
标签：SVM,min,max,分类,train,grid,plt,test,鸢尾花 来源： https://blog.csdn.net/weixin_38262664/article/details/88820740
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。