Python实现基于SVM的分类器的方法
2019-07-19 11:58
1486 查看
本文代码来之《数据分析与挖掘实战》,在此基础上补充完善了一下~
代码是基于SVM的分类器Python实现,原文章节题目和code关系不大,或者说给出已处理好数据的方法缺失、源是图像数据更是不见踪影,一句话就是练习分类器(▼㉨▼メ)
源代码直接给好了K=30,就试了试怎么选的,挑选规则设定比较单一,有好主意请不吝赐教哟
# -*- coding: utf-8 -*- """ Created on Sun Aug 12 12:19:34 2018 @author: Luove """ from sklearn import svm from sklearn import metrics import pandas as pd import numpy as np from numpy.random import shuffle #from random import seed #import pickle #保存模型和加载模型 import os os.getcwd() os.chdir('D:/Analyze/Python Matlab/Python/BookCodes/Python数据分析与挖掘实战/图书配套数据、代码/chapter9/demo/code') inputfile = '../data/moment.csv' data=pd.read_csv(inputfile) data.head() data=data.as_matrix() #seed(10) shuffle(data) #随机重排,按列,同列重排,因是随机的每次运算会导致结果有差异,可在之前设置seed n=0.8 train=data[:int(n*len(data)),:] test=data[int(n*len(data)):,:] #建模数据 整理 #k=30 m=100 record=pd.DataFrame(columns=['acurrary_train','acurrary_test']) for k in range(1,m+1): # k特征扩大倍数,特征值在0-1之间,彼此区分度太小,扩大以提高区分度和准确率 x_train=train[:,2:]*k y_train=train[:,0].astype(int) x_test=test[:,2:]*k y_test=test[:,0].astype(int) model=svm.SVC() model.fit(x_train,y_train) #pickle.dump(model,open('../tmp/svm1.model','wb'))#保存模型 #model=pickle.load(open('../tmp/svm1.model','rb'))#加载模型 #模型评价 混淆矩阵 cm_train=metrics.confusion_matrix(y_train,model.predict(x_train)) cm_test=metrics.confusion_matrix(y_test,model.predict(x_test)) pd.DataFrame(cm_train,index=range(1,6),columns=range(1,6)) accurary_train=np.trace(cm_train)/cm_train.sum() #准确率计算 # accurary_train=model.score(x_train,y_train) #使用model自带的方法求准确率 pd.DataFrame(cm_test,index=range(1,6),columns=range(1,6)) accurary_test=np.trace(cm_test)/cm_test.sum() record=record.append(pd.DataFrame([accurary_train,accurary_test],index=['accurary_train','accurary_test']).T) record.index=range(1,m+1) find_k=record.sort_values(by=['accurary_train','accurary_test'],ascending=False) # 生成一个copy 不改变原变量 find_k[(find_k['accurary_train']>0.95) & (find_k['accurary_test']>0.95) & (find_k['accurary_test']>=find_k['accurary_train'])] #len(find_k[(find_k['accurary_train']>0.95) & (find_k['accurary_test']>0.95)]) ''' k=33 accurary_train accurary_test 33 0.950617 0.95122 ''' ''' 计算一下整体 accurary_data 0.95073891625615758 ''' k=33 x_train=train[:,2:]*k y_train=train[:,0].astype(int) model=svm.SVC() model.fit(x_train,y_train) model.score(x_train,y_train) model.score(datax_train,datay_train) datax_train=data[:,2:]*k datay_train=data[:,0].astype(int) cm_data=metrics.confusion_matrix(datay_train,model.predict(datax_train)) pd.DataFrame(cm_data,index=range(1,6),columns=range(1,6)) accurary_data=np.trace(cm_data)/cm_data.sum() accurary_data
REF:
《数据分析与挖掘实战》
源代码及数据需要可自取:https://github.com/Luove/Data
以上就是本文的全部内容,希望对大家的学习有所帮助
您可能感兴趣的文章:
相关文章推荐
- 机器学习经典算法详解及Python实现--基于SMO的SVM分类器
- Python基于PycURL实现POST的方法
- python基于xmlrpc实现二进制文件传输的方法
- python基于BeautifulSoup实现抓取网页指定内容的方法
- Python实现将照片变成卡通图片的方法【基于opencv】
- python基于pygame实现响应游戏中事件的方法(附源码)
- python基于pyDes库实现des加密的方法
- 机器学习实战笔记(五):基于概率论的分类方法: 朴素贝叶斯(Python3 实现)
- 【Python】基于kNN算法的手写识别系统的实现与分类器测试
- Python基于PycURL实现POST的方法
- Python实现更改图片尺寸大小的方法(基于Pillow包)
- Python基于scapy实现修改IP发送请求的方法示例
- python实现基于两张图片生成圆角图标效果的方法
- Python基于多线程实现抓取数据存入数据库的方法
- Python基于滑动平均思想实现缺失数据填充的方法
- 【python数据挖掘课程】二十七.基于SVM分类器的红酒数据分析
- Python基于list的append和pop方法实现堆栈与队列功能示例
- python基于socket实现网络广播的方法
- Python实现基于权重的随机数2种方法
- Python实现更改图片尺寸大小的方法(基于Pillow包)