运行环境
Python: 3.7.1
库: sklearn (Python的机器学习工具箱)
目的：
根据鸢尾花的四个特征，对三种鸢尾花进行分类
数据（共150行，这里截取前6行，完整数据以及代码的下载链接见文末）：
方法：调用内部SVM库进行鸢尾花分类
| 特征1 | 特征2 | 特征3 | 特征4 | 鸢尾花类型 |
|---|---|---|---|---|
| 5.1 | 3.5 | 1.4 | 0.2 | Iris-setosa |
| 4.9 | 3 | 1.4 | 0.2 | Iris-setosa |
| 4.7 | 3.2 | 1.3 | 0.2 | Iris-setosa |
| 4.6 | 3.1 | 1.5 | 0.2 | Iris-setosa |
| 5 | 3.6 | 1.4 | 0.2 | Iris-setosa |
| 5.4 | 3.9 | 1.7 | 0.4 | Iris-setosa |
代码如下：
from sklearn.model_selection import train_test_split
from sklearn import svm
data_Set = []
data_Set_x = []
data_Set_y = []
#打开数据集,字符串前加r表示raw string,防止路径字符串中存在的反斜杠带来的转义
data_file = open(r"D:\\Coding\\Py\\Machine-Learning\\SVM_OLD\\Data_SVM.csv")
#拆分数据集，取前四列为x，第五列为y
for line in data_file.readlines():
lineArr = line.strip().split(',')
data_Set.append(lineArr)
data_Set_x.append(lineArr[0:4])
data_Set_y.append(lineArr[4])
#按照7:3的比例分割训练集和测试集
data_train_x, data_test_x = train_test_split(data_Set_x,
test_size=0.3,
random_state=55)
data_train_y, data_test_y = train_test_split(data_Set_y,
test_size=0.3,
random_state=55)
"""
分别利用四种核函数进行训练，这些核函数都可以设置参数，例如
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。
不设置的话会使用默认参数设置
"""
#使用linear线性核函数，C越大分类效果越好，但是可能过拟合
clf1 = svm.SVC(C=1, kernel='linear',
decision_function_shape='ovr').fit(data_train_x, data_train_y)
#使用rbf径向基核函数,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。
clf2 = svm.SVC(C=1, kernel='rbf', gamma=1).fit(data_train_x, data_train_y)
#使用poly多项式核函数
clf3 = svm.SVC(kernel='poly').fit(data_train_x, data_train_y)
#使用sigmoid神经元激活核函数
clf4 = svm.SVC(kernel='sigmoid').fit(data_train_x, data_train_y)
#打印使用不同核函数进行分类时，训练集和测试集分类的准确率
print("linear线性核函数-训练集：", clf1.score(data_train_x, data_train_y))
print("linear线性核函数-测试集：", clf1.score(data_test_x, data_test_y))
print("rbf径向基核函数-训练集：", clf2.score(data_train_x, data_train_y))
print("rbf径向基函数-测试集：", clf2.score(data_test_x, data_test_y))
print("poly多项式核函数-训练集：", clf3.score(data_train_x, data_train_y))
print("poly多项式核函数-测试集：", clf3.score(data_test_x, data_test_y))
print("sigmoid神经元激活核函数-训练集：", clf4.score(data_train_x, data_train_y))
print("sigmoid神经元激活核函数-测试集：", clf4.score(data_test_x, data_test_y))
# 使用decision_function()可以查看决策函数
print(clf1.decision_function(data_train_x))
# 使用predict()可以查看预测结果
print(clf1.predict(data_train_x))
运行结果：
- 分类准确率
linear线性核函数-训练集： 1.0
linear线性核函数-测试集： 0.9555555555555556
rbf径向基核函数-训练集： 0.9904761904761905
rbf径向基函数-测试集： 0.9555555555555556
poly多项式核函数-训练集： 1.0
poly多项式核函数-测试集： 0.9333333333333333
sigmoid神经元激活核函数-训练集： 0.34285714285714286
sigmoid神经元激活核函数-测试集： 0.3111111111111111
- 决策函数（仅截取部分，每一列的值代表到各类别的举例）
[[-0.18006398 1.06550708 2.1145569 ]
[-0.2266221 1.07558987 2.15103223]
[-0.16806693 1.08720057 2.08086637]
[ 2.07795355 1.29285195 -0.3708055 ]
[-0.18840558 1.05553666 2.13286892]
[-0.20384 1.10258546 2.10125453]
- 分类结果（仅截取部分）
['Iris-virginica' 'Iris-virginica' 'Iris-virginica' 'Iris-setosa'
'Iris-virginica' 'Iris-virginica' 'Iris-setosa' 'Iris-versicolor'
'Iris-virginica' 'Iris-versicolor' 'Iris-setosa' 'Iris-setosa'
代码以及数据集下载：
链接：https://pan.baidu.com/s/1iZo472Ynvav0mQK3VvpJFQ
提取码：ovri
参考文章：