SVM的sklearn实现

转载：豆-Metcalf

1）SVM-LinearSVC.ipynb-线性分类SVM，iris数据集分类，正确率100%

 """
 功能：实现线性分类支持向量机
 说明：可以用于二类分类，也可以用于多类分类
 作者：唐天泽
 博客：http://write.blog.csdn.net/mdeditor#!postId=76188190
 日期：2017-08-09
 """

 # 导入本项目所需要的包
 import pandas as pd
 import numpy as np

 from sklearn import datasets

 from sklearn import svm

 # 使用交叉验证的方法，把数据集分为训练集合测试集
 from sklearn.model_selection import train_test_split

 # 加载iris数据集
 def load_data():
     iris = datasets.load_iris()
     """展示数据集的形状
        diabetes.data.shape, diabetes.target.shape
     """

     # 将数据集拆分为训练集和测试集
     X_train, X_test, y_train, y_test = train_test_split(
     iris.data, iris.target, test_size=0.10, random_state=0)
     return X_train, X_test, y_train, y_test

 # 使用LinearSVC考察线性分类SVM的预测能力
 def test_LinearSVC(X_train,X_test,y_train,y_test):

     # 选择模型
     cls = svm.LinearSVC()

     # 把数据交给模型训练
     cls.fit(X_train,y_train)

     print('Coefficients:%s, intercept %s'%(cls.coef_,cls.intercept_))
     print('Score: %.2f' % cls.score(X_test, y_test))

 if __name__=="__main__":
     X_train,X_test,y_train,y_test=load_data() # 生成用于分类的数据集
     test_LinearSVC(X_train,X_test,y_train,y_test) # 调用 test_LinearSVC

2) SVM-LinearSVC-kaggle.ipynb-线性分类SVM，手写数字数据集分类，正确率85%

 """
 功能：实现线性分类支持向量机
 说明：可以用于二类分类，也可以用于多类分类
 作者：唐天泽
 博客：http://write.blog.csdn.net/mdeditor#!postId=76188190
 日期：2017-08-09
 """

 # 导入本项目所需要的包
 import pandas as pd
 import numpy as np

 from sklearn import datasets

 from sklearn import svm

 # 使用交叉验证的方法，把数据集分为训练集合测试集
 from sklearn.model_selection import train_test_split

 # The competition datafiles are in the directory ../input
 # 加载数据集
 def load_data():
     dataset = pd.read_csv("~/Desktop/knn/input/train.csv")
     label = dataset.values[:,0]
     train = dataset.values[:,1:]
     testdata  = pd.read_csv("~/Desktop/knn/input/test.csv").values
     return label,train,testdata
  # 使用LinearSVC考察线性分类SVM的预测能力
 def test_LinearSVC(label,train,testdata):

     # 选择模型
     cls = svm.LinearSVC()

     # 把数据交给模型训练
     cls.fit(train,label)

     # 预测数据
     #print(cls.predict(testdata))
     results=cls.predict(testdata)
     return results

 if __name__=="__main__":
     label,train,testdata = load_data()
     result = test_LinearSVC(label,train,testdata)
     pd.DataFrame({"ImageId": list(range(1,len(testdata)+1)),"Label": result}).to_csv(
     '~/Desktop/knn/output/Digit_recogniser_SVM_LinearSVC.csv', index=False,header=True)

补充：

 from sklearn import  svm

 from sklearn.datasets import  load_iris

 from sklearn.model_selection import train_test_split

 datas = load_iris()
 # print(datas)
 data_x = datas.data
 data_y = datas.target
 # print(data_x)

 #print(data_y)

 x_train,x_test,y_train,y_test = train_test_split(data_x,data_y,test_size=0.3)

 clf = svm.SVC()#默认核函数是高斯核
 # print(clf)
 clf = clf.fit(x_train,y_train)
 print(clf.predict(x_test))
 print(y_test)