• 大小: 8KB
    文件类型: .rar
    金币: 1
    下载: 0 次
    发布日期: 2021-06-14
  • 语言: Python
  • 标签: Python  SVM  机器学习  

资源简介

该文件包含鸢尾花分类的Python源程序和数据集,数据集内包含 3 类鸢尾花,分别为山鸢尾(setosa)、变色鸢尾(versicolor)和维吉尼亚鸢尾(virginica)。每类各 50 个数据,每条记录有 4 项特征:花萼长度、花萼宽度、花瓣长度、花瓣宽度。

资源截图

代码片段和文件信息

from sklearn import svm
import numpy as np
from sklearn import model_selection
import matplotlib.pyplot as plt
import matplotlib as mpl
from matplotlib import colors
# # 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,但是很明显数据集的第五列的数据类型是字符串并不是浮点型。
# # 因此需要额外做一个工作,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:
# # 定义一个函数,将不同类别标签与数字相对应
def iris_type(s):
    class_label={b‘setosa‘:0b‘versicolor‘:1b‘virginica‘:2}
    return class_label[s]

def train(model x_train y_train):
    model.fit(x_trainy_train.ravel())

def show_accuracy(a b tip):
    acc = (a.ravel() == b.ravel())
    print(“%s Accuracy:%.3f“%(tip np.mean(acc)))

def print_accuracy(model x_train y_trainx_test y_test ):
    print(‘SVM-输出训练集的准确率为:‘ model.score(x_train y_train))
    print(“SVM-输出测试集的准确率为:“ model.score(x_test y_test))
    #原始结果与预测结果进行对比
    show_accuracy(model.predict(x_train) y_train ‘traing data‘)
    show_accuracy(model.predict(x_test) y_test ‘testing data‘)
    #计算决策函数的值
    print(‘decision_function:\n‘ model.decision_function(x_train))

def draw(model x):
    x1_min x1_max = x[: 0].min() x[: 0].max()  # 第0列的范围  x[: 0] “:“表示所有行,0表示第1列
    x2_min x2_max = x[: 1].min() x[: 1].max()  # 第1列的范围  x[: 0] “:“表示所有行,1表示第2列
    x1 x2 = np.mgrid[x1_min:x1_max:200j x2_min:x2_max:200j]  # 生成网格采样点(用meshgrid函数生成两个网格矩阵X1和X2)
    grid_test = np.stack((x1.flat x2.flat) axis=1)  # 测试点,再通过stack()函数,axis=1,生成测试点
    # .flat 将矩阵转变成一维数组 (与ravel()的区别:flatten:返回的是拷贝

    grid_hat = model.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

    # # 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‘])

    # alpha = 0.5
    plt.pcolormesh(x1 x2 grid_hat cmap=cm_light)  # 预测值的显示
    # plt.plot(x[: 0] x[: 1] ‘o‘ alpha=alpha color=‘blue‘ markeredgecolor=‘k‘)
    plt.scatter(x[: 0] x[: 1] c=np.squeeze(y) edgecolor=‘k‘ s=50 cmap = cm_dark )  # 圈中测试集样本
    plt.scatter(x_test[: 0] x_test[: 1] s=120 facecolors=‘none‘ zorder=10)  # 圈中测试集样本
    plt.xlabel(‘sepal length‘ fontsize=13)
    plt.ylabel(‘sepal width‘ fontsize=13)
    plt.xlim(x1_min x1_max)
    plt.ylim(x2_min x2_max)
    plt.title(‘SVM feature‘ fontsize=15)
    # plt.grid()
    plt.show()

#1.数据准备
#1.1加载数据
#使用numpy中的loadtxt读入数据文件
filepath=‘./iris.txt‘  # 数据文件路径
#注意数据的读取,delimiter参数是根据txt文件中的分隔符来设置的!
data=np.loadtxt(filepathdtype=floatdelimiter=Noneconverters={4:iris_type})

#1.2数据分割
X y = np.split(data (4)axis=1)  # np.split 按照列(axis=1)进行分割,从第四列开始往后的作为y 数据,之前的作为X 数据。函数 split(数据,分割位置,轴=1(水平分割) or 0(垂直分割))。
x = X[:0:2]  # 在 X中取前两列作为特征(为了后期的可视化画图更加直观,故只取前两列特征值向量进行训练)

x_trainx_testy_trainy_test=model_selection.train_test_split(xyrandom_state=1test_size=0.3)
#

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件        408  2019-08-17 11:27  SVM鸢尾花分类Python实现\.idea\01-鸢尾花分类SVM.iml

     文件        138  2019-08-17 11:26  SVM鸢尾花分类Python实现\.idea\encodings.xml

     文件        294  2019-08-17 11:27  SVM鸢尾花分类Python实现\.idea\misc.xml

     文件        301  2019-08-17 11:26  SVM鸢尾花分类Python实现\.idea\modules.xml

     文件       9622  2019-08-17 18:26  SVM鸢尾花分类Python实现\.idea\workspace.xml

     文件       3808  2019-08-17 13:45  SVM鸢尾花分类Python实现\iris.txt

     文件       5920  2019-08-17 18:26  SVM鸢尾花分类Python实现\iris_svm.py

     目录          0  2019-08-17 18:27  SVM鸢尾花分类Python实现\.idea

     目录          0  2019-08-17 18:27  SVM鸢尾花分类Python实现

----------- ---------  ---------- -----  ----

                20491                    9


评论

共有 条评论