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)