标签：1.6 svm 2019.6 labels fat 案例 thin import clf

1.案例：承袭Decision Tree的案例数据，同样用身高和体重来界定胖瘦。如下文字档(7.SVM.txt)，三个栏位各代表身高(m)、体重(kg)与胖瘦(thin/fat)。

2.问题：现在有两人，其中一位身高1.6m、体重30kg，另一位身高1.6m、体重300kg，请问各是胖是瘦呢？

3.数据文档：7.SVM.txt，内容如下。

1.5 40 thin
1.5 50 fat
1.5 60 fat
1.6 40 thin
1.6 50 thin
1.6 60 fat
1.6 70 fat
1.7 50 thin
1.7 60 thin
1.7 70 fat
1.7 80 fat
1.8 60 thin
1.8 70 thin
1.8 80 fat
1.8 90 fat
1.9 80 thin
1.9 90 fat

4.Sampe code：

#coding: utf-8
import numpy as np
import scipy as sp
from sklearn import svm
from sklearn.cross_validation import train_test_split
import matplotlib.pyplot as plt

#----载入资料
data = []
labels = []
with open(“7.svm.txt”) as ifile:
for line in ifile:
tokens = line.strip().split(’ ')
data.append([float(tk) for tk in tokens[:-1]]) #读取身高与体重数据
labels.append(tokens[-1]) #读取胖瘦

#将资料放是array中
x = np.array(data)
labels = np.array(labels)
y = np.zeros(labels.shape)

#标签转换为0/1，瘦代表0，胖代表1
y[labels==‘fat’]=1

#训练模型、提取特徵
#参数说明：linear代表是选择线性模型
clf=svm.SVC(kernel=‘linear’)
clf.fit(x,y)

#----预测并输出结果
print clf.predict([[1.6, 30]])
print clf.predict([[1.6, 300]])

5.结果：
[ 0.]

来源：CSDN
原文：https://blog.csdn.net/u011775523/article/details/52759452
版权声明：本文为博主原创文章，转载请附上博文链接！

标签：1.6,svm,2019.6,labels,fat,案例,thin,import,clf
来源： https://blog.csdn.net/weixin_43732462/article/details/91125743

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。