python数据分析SVM,快速使用代码

简介: python数据分析SVM,快速使用代码

1 初始准备

import numpy as np
import matplotlib.pyplot as pl
from sklearn import svm,datasets
from pylab import mpl

mpl.rcParams['font.sans-serif']='SimHei' #画图正常显示中文
mpl.rcParams['axes.unicode_minus']=False #决绝保存图像是负号‘-’显示方块的问题

2绘图准备

由于sklearn包中有直接可以使用的方法,直接准备绘图(SVM里面的核函数编程太麻烦了,直接使用包)

def make_meshgrid(x,y,h=.02):
    """准备用于绘图的网格点
    参数
    ————————
    x:x轴数据点
    y:y轴数据点
    h:间隔距离
    返回值
    ——————————
    xx,yy:ndarray
    """
    x_min,x_max=x.min()-1,x.max()+1
    y_min,y_max=y.min()-1,y.max()+1
    xx,yy=np.meshgrid(np.arange(x_min,x_max,h),
                     np.arange(y_min,y_max,h))
    return xx,yy

3 comtour图准备

def plot_contours(ax,clf,xx,yy,**params):
    """绘制分类器边界
    参数
    ————————
    ax:matplotlib.axes对象
    xx:网格点
    yy:网格点
    params:控制绘图的其它字典
    """
    
    Z=clf.predict(np.c_[xx.ravel(),yy.ravel()])
    Z=Z.reshape(xx.shape)
    out=ax.contour(xx,yy,Z,**params)
    return out

4 使用自带数据集进行建模

#载入鸢尾花数据集
iris=datasets.load_iris()
#为了后面方便绘图,这里只使用二个特征
X=iris.data[:,:2]
y=iris.target

C=1.0
#备用的各种模型设置
models=(svm.SVC(kernel='linear',C=C),
        svm.LinearSVC(C=C),
       svm.SVC(kernel='rbf',gamma=0.7,C=C),
       svm.SVC(kernel='poly',degree=3,C=C))
#训练模型
models=(clf.fit(X,y)for clf in models)
#各模型标题
titles=(u'SVC(线性核)',
       u'LinearsSVC(线性核)',
       u'SVC(RBF)',
       u'SVC(3次多项式核)')

#把整个图划分成2*2网格
fig,sub=pl.subplots(2,2,figsize=(12,8))
pl.subplots_adjust(wspace=0.2,hspace=0.2)

X0,X1=X[:,0],X[:,1]
xx,yy=make_meshgrid(X0,X1)

for clf,title,ax in zip(models,titles,sub.flatten()):
    plot_contours(ax,clf,xx,yy,alpha=0.8)
    ax.scatter(X0,X1,c=y,cmap=pl.cm.coolwarm,s=20,edgecolors='k')
    ax.set_xlim(xx.min(),xx.max())
    ax.set_ylim(yy.min(),yy.max())
    ax.set_xlabel(u'长')
    ax.set_ylabel(u'宽')
    ax.set_xticks(())#不显示坐标
    ax.set_yticks(())#不显示坐标
    ax.set_title(title)
    
pl.show()

在这里插入图片描述

目录
相关文章
|
19天前
|
数据采集 数据可视化 数据挖掘
利用Python自动化处理Excel数据:从基础到进阶####
本文旨在为读者提供一个全面的指南,通过Python编程语言实现Excel数据的自动化处理。无论你是初学者还是有经验的开发者,本文都将帮助你掌握Pandas和openpyxl这两个强大的库,从而提升数据处理的效率和准确性。我们将从环境设置开始,逐步深入到数据读取、清洗、分析和可视化等各个环节,最终实现一个实际的自动化项目案例。 ####
|
18天前
|
开发框架 数据建模 中间件
Python中的装饰器:简化代码,增强功能
在Python的世界里,装饰器是那些静悄悄的幕后英雄。它们不张扬,却能默默地为函数或类增添强大的功能。本文将带你了解装饰器的魅力所在,从基础概念到实际应用,我们一步步揭开装饰器的神秘面纱。准备好了吗?让我们开始这段简洁而富有启发性的旅程吧!
26 6
|
21天前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
本文将引导读者了解如何使用Python进行数据分析,从安装必要的库到执行基础的数据操作和可视化。通过本文的学习,你将能够开始自己的数据分析之旅,并掌握如何利用Python来揭示数据背后的故事。
|
11天前
|
数据可视化 Python
以下是一些常用的图表类型及其Python代码示例,使用Matplotlib和Seaborn库。
通过这些思维导图和分析说明表,您可以更直观地理解和选择适合的数据可视化图表类型,帮助更有效地展示和分析数据。
52 8
|
18天前
|
API Python
【Azure Developer】分享一段Python代码调用Graph API创建用户的示例
分享一段Python代码调用Graph API创建用户的示例
41 11
|
20天前
|
测试技术 Python
探索Python中的装饰器:简化代码,增强功能
在Python的世界中,装饰器是那些能够为我们的代码增添魔力的小精灵。它们不仅让代码看起来更加优雅,还能在不改变原有函数定义的情况下,增加额外的功能。本文将通过生动的例子和易于理解的语言,带你领略装饰器的奥秘,从基础概念到实际应用,一起开启Python装饰器的奇妙旅程。
34 11
|
16天前
|
Python
探索Python中的装饰器:简化代码,增强功能
在Python的世界里,装饰器就像是给函数穿上了一件神奇的外套,让它们拥有了超能力。本文将通过浅显易懂的语言和生动的比喻,带你了解装饰器的基本概念、使用方法以及它们如何让你的代码变得更加简洁高效。让我们一起揭开装饰器的神秘面纱,看看它是如何在不改变函数核心逻辑的情况下,为函数增添新功能的吧!
|
16天前
|
程序员 测试技术 数据安全/隐私保护
深入理解Python装饰器:提升代码重用与可读性
本文旨在为中高级Python开发者提供一份关于装饰器的深度解析。通过探讨装饰器的基本原理、类型以及在实际项目中的应用案例,帮助读者更好地理解并运用这一强大的语言特性。不同于常规摘要,本文将以一个实际的软件开发场景引入,逐步揭示装饰器如何优化代码结构,提高开发效率和代码质量。
42 6
|
17天前
|
数据采集 分布式计算 大数据
构建高效的数据管道:使用Python进行ETL任务
在数据驱动的世界中,高效地处理和移动数据是至关重要的。本文将引导你通过一个实际的Python ETL(提取、转换、加载)项目,从概念到实现。我们将探索如何设计一个灵活且可扩展的数据管道,确保数据的准确性和完整性。无论你是数据工程师、分析师还是任何对数据处理感兴趣的人,这篇文章都将成为你工具箱中的宝贵资源。
|
21天前
|
Python
如何提高Python代码的可读性?
如何提高Python代码的可读性?
34 4
下一篇
DataWorks