Python中支持向量机SVM的使用方法详解


Posted in Python onDecember 26, 2017

除了在Matlab中使用PRTools工具箱中的svm算法,Python中一样可以使用支持向量机做分类。因为Python中的sklearn库也集成了SVM算法,本文的运行环境是Pycharm。

一、导入sklearn算法包

Scikit-Learn库已经实现了所有基本机器学习的算法,具体使用详见官方文档说明

skleran中集成了许多算法,其导入包的方式如下所示,

逻辑回归:from sklearn.linear_model import LogisticRegression

       朴素贝叶斯:from sklearn.naive_bayes import GaussianNB

 

K-近邻:from sklearn.neighbors import KNeighborsClassifier

 

决策树:from sklearn.tree import DecisionTreeClassifier

 

支持向量机:from sklearn import svm

 二、sklearn中svc的使用

(1)使用numpy中的loadtxt读入数据文件

loadtxt()的使用方法:

Python中支持向量机SVM的使用方法详解

fname:文件路径。eg:C:/Dataset/iris.txt。

dtype:数据类型。eg:float、str等。

delimiter:分隔符。eg:‘,'。

converters:将数据列与转换函数进行映射的字典。eg:{1:fun},含义是将第2列对应转换函数进行转换。

usecols:选取数据的列。

以Iris兰花数据集为例子:

由于从UCI数据库中下载的Iris原始数据集的样子是这样的,前四列为特征列,第五列为类别列,分别有三种类别Iris-setosa, Iris-versicolor, Iris-virginica。

 

Python中支持向量机SVM的使用方法详解

当使用numpy中的loadtxt函数导入该数据集时,假设数据类型dtype为浮点型,但是很明显第五列的数据类型并不是浮点型。

因此我们要额外做一个工作,即通过loadtxt()函数中的converters参数将第五列通过转换函数映射成浮点类型的数据。

首先,我们要写出一个转换函数:

def iris_type(s):
 it = {'Iris-setosa': 0, 'Iris-versicolor': 1, 'Iris-virginica': 2}
 return it[s]

接下来读入数据,converters={4: iris_type}中“4”指的是第5列:

path = u'D:/f盘/python/学习/iris.data' # 数据文件路径
data = np.loadtxt(path, dtype=float, delimiter=',', converters={4: iris_type})

读入结果:

Python中支持向量机SVM的使用方法详解

(2)将Iris分为训练集与测试集

x, y = np.split(data, (4,), axis=1)
x = x[:, :2]
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=1, train_size=0.6)

1. split(数据,分割位置,轴=1(水平分割) or 0(垂直分割))。

2. x = x[:, :2]是为方便后期画图更直观,故只取了前两列特征值向量训练。

3. sklearn.model_selection.train_test_split随机划分训练集与测试集。train_test_split(train_data,train_target,test_size=数字, random_state=0)

参数解释:

train_data:所要划分的样本特征集

train_target:所要划分的样本结果

test_size:样本占比,如果是整数的话就是样本的数量

random_state:是随机数的种子。

随机数种子:其实就是该组随机数的编号,在需要重复试验的时候,保证得到一组一样的随机数。比如你每次都填1,其他参数一样的情况下你得到的随机数组是一样的。但填0或不填,每次都会不一样。随机数的产生取决于种子,随机数和种子之间的关系遵从以下两个规则:种子不同,产生不同的随机数;种子相同,即使实例不同也产生相同的随机数。

(3)训练svm分类器

# clf = svm.SVC(C=0.1, kernel='linear', decision_function_shape='ovr')
 clf = svm.SVC(C=0.8, kernel='rbf', gamma=20, decision_function_shape='ovr')
 clf.fit(x_train, y_train.ravel())

 

kernel='linear'时,为线性核,C越大分类效果越好,但有可能会过拟合(defaul C=1)。

kernel='rbf'时(default),为高斯核,gamma值越小,分类界面越连续;gamma值越大,分类界面越“散”,分类效果越好,但有可能会过拟合。

decision_function_shape='ovr'时,为one v rest,即一个类别与其他类别进行划分,

decision_function_shape='ovo'时,为one v one,即将类别两两之间进行划分,用二分类的方法模拟多分类的结果。

(4)计算svc分类器的准确率

print clf.score(x_train, y_train) # 精度
y_hat = clf.predict(x_train)
show_accuracy(y_hat, y_train, '训练集')
print clf.score(x_test, y_test)
y_hat = clf.predict(x_test)
show_accuracy(y_hat, y_test, '测试集')

 结果为:

Python中支持向量机SVM的使用方法详解

如果想查看决策函数,可以通过decision_function()实现

print 'decision_function:\n', clf.decision_function(x_train)
print '\npredict:\n', clf.predict(x_train)

 结果为:

Python中支持向量机SVM的使用方法详解Python中支持向量机SVM的使用方法详解

decision_function中每一列的值代表距离各类别的距离。

(5)绘制图像

1.确定坐标轴范围,x,y轴分别表示两个特征

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
x1, x2 = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j] # 生成网格采样点
grid_test = np.stack((x1.flat, x2.flat), axis=1) # 测试点
# print 'grid_test = \n', grid_testgrid_hat = clf.predict(grid_test) 

# 预测分类值grid_hat = grid_hat.reshape(x1.shape) # 使之与输入的形状相同

这里用到了mgrid()函数,该函数的作用这里简单介绍一下:

假设假设目标函数F(x,y)=x+y。x轴范围1~3,y轴范围4~6,当绘制图像时主要分四步进行:

【step1:x扩展】(朝右扩展):

         [1 1 1]

[2 2 2]

[3 3 3]

【step2:y扩展】(朝下扩展):

[4 5 6]

[4 5 6]

[4 5 6]

【step3:定位(xi,yi)】:

[(1,4) (1,5) (1,6)]

[(2,4) (2,5) (2,6)]

[(3,4) (3,5) (3,6)]

【step4:将(xi,yi)代入F(x,y)=x+y】

因此这里x1, x2 = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j]后的结果为:

Python中支持向量机SVM的使用方法详解

再通过stack()函数,axis=1,生成测试点

Python中支持向量机SVM的使用方法详解

2.指定默认字体

mpl.rcParams['font.sans-serif'] = [u'SimHei']
mpl.rcParams['axes.unicode_minus'] = False

3.绘制

cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])
cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])
plt.pcolormesh(x1, x2, 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(u'花萼长度', fontsize=13)
plt.ylabel(u'花萼宽度', fontsize=13)
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title(u'鸢尾花SVM二特征分类', fontsize=15)
# plt.grid()
plt.show()

pcolormesh(x,y,z,cmap)这里参数代入x1,x2,grid_hat,cmap=cm_light绘制的是背景。

scatter中edgecolors是指描绘点的边缘色彩,s指描绘点的大小,cmap指点的颜色。

xlim指图的边界。

最终结果为:

Python中支持向量机SVM的使用方法详解

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
浅谈Python中的数据类型
May 05 Python
Python变量作用范围实例分析
Jul 07 Python
使用Python的urllib2模块处理url和图片的技巧两则
Feb 18 Python
Python连接PostgreSQL数据库的方法
Nov 28 Python
Python+Django搭建自己的blog网站
Mar 13 Python
django的聚合函数和aggregate、annotate方法使用详解
Jul 23 Python
python 实现提取log文件中的关键句子,并进行统计分析
Dec 24 Python
python实现低通滤波器代码
Feb 26 Python
Python爬虫使用bs4方法实现数据解析
Aug 25 Python
学会迭代器设计模式,帮你大幅提升python性能
Jan 03 Python
pycharm debug 断点调试心得分享
Apr 16 Python
使用python向MongoDB插入时间字段的操作
May 18 Python
详解python中的 is 操作符
Dec 26 #Python
matplotlib简介,安装和简单实例代码
Dec 26 #Python
Python中xrange与yield的用法实例分析
Dec 26 #Python
Python简单计算数组元素平均值的方法示例
Dec 26 #Python
Python爬虫获取整个站点中的所有外部链接代码示例
Dec 26 #Python
Python之web模板应用
Dec 26 #Python
通过python+selenium3实现浏览器刷简书文章阅读量
Dec 26 #Python
You might like
php auth_http类库进行身份效验
2009/03/19 PHP
typecho插件编写教程(三):保存配置
2015/05/28 PHP
PHP准确取得服务器IP地址的方法
2015/06/02 PHP
js 浮动层菜单收藏
2009/01/16 Javascript
利用JQuery+EasyDrag 实现弹出可拖动的Div,同时向Div传值,然后返回Div选中的值
2009/10/24 Javascript
jQuery代码优化 选择符篇
2011/11/01 Javascript
js URL参数的拼接方法比较
2012/02/15 Javascript
优化Node.js Web应用运行速度的10个技巧
2014/09/03 Javascript
node.js中的fs.fchownSync方法使用说明
2014/12/16 Javascript
纯javascript实现简单下拉刷新功能
2015/03/13 Javascript
VueJs路由跳转——vue-router的使用详解
2017/01/10 Javascript
vue slot 在子组件中显示父组件传递的模板
2018/03/02 Javascript
vue组件与复用详解
2018/04/08 Javascript
使用Vue实现移动端左滑删除效果附源码
2019/05/16 Javascript
js实现漂亮的星空背景
2019/11/01 Javascript
vue实现移动端触屏拖拽功能
2020/08/21 Javascript
Vue js with语句原理及用法解析
2020/09/03 Javascript
跟老齐学Python之数据类型总结
2014/09/24 Python
跟老齐学Python之折腾一下目录
2014/10/24 Python
利用selenium 3.7和python3添加cookie模拟登陆的实现
2017/11/20 Python
Python基于SMTP协议实现发送邮件功能详解
2018/08/14 Python
python list格式数据excel导出方法
2018/10/31 Python
Python实现查找数组中任意第k大的数字算法示例
2019/01/23 Python
Django 使用easy_thumbnails压缩上传的图片方法
2019/07/26 Python
Pycharm安装第三方库失败解决方案
2020/11/17 Python
一张图片能隐含千言万语之隐藏你的程序代码
2012/12/13 HTML / CSS
欧缇丽英国官方网站:Caudalie英国
2016/08/17 全球购物
香蕉共和国工厂店:Banana Republic Factory
2018/06/09 全球购物
洛佩桑酒店官方网站:Lopesan Hotels
2019/04/15 全球购物
美国新娘礼品店:The Paisley Box
2020/09/08 全球购物
高中生学习生活的自我评价
2013/10/09 职场文书
留学推荐信写作指南
2014/01/25 职场文书
团委竞选演讲稿
2014/04/24 职场文书
三八节标语
2014/06/27 职场文书
幼儿园小班开学寄语(2016秋季)
2015/12/03 职场文书
SQL Server中交叉联接的用法详解
2021/04/22 SQL Server