实现svm对鸢尾花进行分类

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# @Time  : 2020/3/2 13:57
# @Author: HanBingru
# @File  : ywh.py

import numpy as np
from matplotlib import colors
from sklearn import svm
from sklearn.svm import SVC
from sklearn import model_selection
import matplotlib.pyplot as plt
import matplotlib as mpl


def load_data（）:
    # 导入数据
    data = np.loadtxt（r‘H:\开学\章永来\鸢尾花\iris.data‘ dtype=float delimiter=‘‘ converters={4: iris_type}）

    return data


def iris_type（s）:
    # 数据转为整型，数据集标签类别由string转为int
    it = {b‘Iris-setosa‘: 0 b‘Iris-versicolor‘: 1 b‘Iris-virginica‘: 2}
    return it[s]

    # 定义分类器


def classifier（）:
    clf = svm.SVC（C=0.5  # 误差项惩罚系数
                  kernel=‘linear‘  # 线性核 kenrel=“rbf“:高斯核
                  decision_function_shape=‘ovr‘）  # 决策函数

    return clf


def train（clf x_train y_train）:
    # x_train：训练数据集
    # y_train：训练数据集标签
    # 训练开始
    clf.fit（x_train y_train.ravel（） sample_weight=None）  # 同flnumpy.ravelatten将矩阵拉平


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


def print_accuracy（clf x_train y_train x_test y_test）:
    # print（x_train）
    show_accuracy（clf.predict（x_train） y_train ‘traing data‘）
    show_accuracy（clf.predict（x_test） y_test ‘testing data‘）
    # print（x_train）
    # print（y_train.ravel（））
    # print（clf.predict（x_train））


def draw（clf x）:  # 写完一个函数要运行，否则报错：函数未定义
    ‘‘‘
    print（x.shape）
    （150 2）
    ‘‘‘
    iris_feature = ‘sepal length‘ ‘sepal width‘ ‘petal lenght‘ ‘petal width‘
    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.shape）
    （40000 2）
    ‘‘‘
    # print（‘grid_test:\n‘ grid_test）
    z = clf.decision_function（grid_test）
    # print（‘the distance to decision plane:\n‘ z）
    grid_hat = clf.predict（grid_test）  # 预测分类值 得到【00.。。。22