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
|
2天前
|
设计模式 测试技术 开发者
掌握Python装饰器:提升代码效率与可读性的秘诀
【10月更文挑战第4天】 在本文中,我们将深入探讨Python装饰器的概念、使用方法以及实际应用。通过简洁明了的语言和具体代码示例,帮助编程初学者和有一定基础的开发者理解和掌握这一强大工具,从而编写出更加高效、简洁且可维护的代码。
WK
|
2天前
|
开发者 Python
Python代码布局规范有哪些
这段内容介绍了Python代码布局的规范,涵盖缩进、空行、行宽、空格使用、注释及顶级定义间的空行等方面,强调使用空格缩进、限制行宽、操作符两侧加空格、简洁注释等实践,旨在提升代码可读性和一致性,便于维护与理解。遵循这些规范能帮助开发者编写更清晰、整洁且易读的Python代码。
WK
13 2
|
2天前
|
机器学习/深度学习 数据格式 Python
将特征向量转化为Python代码
将特征向量转化为Python代码
13 3
|
2天前
|
数据采集 存储 监控
如何使用 Python 爬取商品数据
如何使用 Python 爬取京东商品数据
18 3
|
3天前
|
设计模式 数据安全/隐私保护 开发者
探索Python中的装饰器:提升代码效率与可读性
【10月更文挑战第3天】 本文将深入探讨Python中装饰器的使用方法及其背后的原理。通过实例展示如何利用装饰器简化代码、提高可读性,并介绍一些高级用法。无论您是编程新手还是经验丰富的开发者,都能从中获益。
|
3天前
|
机器学习/深度学习 数据格式 Python
将特征向量转化为Python代码
将特征向量转化为Python代码
10 3
|
1天前
|
机器学习/深度学习 数据采集 算法
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
【10月更文挑战第5天】随着数据科学和机器学习领域的快速发展,处理大规模数据集的能力变得至关重要。Python凭借其强大的生态系统,尤其是NumPy、Pandas和SciPy等库的支持,在这个领域占据了重要地位。本文将深入探讨这些库如何帮助科学家和工程师高效地进行数据分析,并通过实际案例来展示它们的一些高级应用。
8 0
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
|
2天前
|
数据采集 机器学习/深度学习 数据挖掘
数据也需SPA?Python转换大法,给你的数据做个全身放松SPA!
【10月更文挑战第4天】在数字化时代,数据犹如企业的血液,贯穿于各项业务之中。就像人需要定期SPA恢复活力,数据也需要“转换大法”来优化结构和提升质量,从而更好地支持决策分析与机器学习。本文探讨了如何使用Python进行数据SPA,包括理解需求、数据清洗、格式转换及聚合分析等步骤。通过Python强大的Pandas库,我们可以轻松完成缺失值填充、重复记录删除等任务,并实现数据格式的标准化,确保数据更加整洁、有序,助力高效分析与决策。为企业数据注入新的活力,迎接更多挑战。
10 1
|
3天前
|
缓存 测试技术 Python
探索Python中的装饰器:提升代码复用与模块化的艺术
在Python的世界里,装饰器是一种强大的工具,它允许我们以非侵入性的方式增强函数或方法的功能。本文将带你深入了解装饰器的内部机制,并通过实际案例展示如何利用装饰器来提升代码的复用性和模块化。
|
3天前
|
数据采集 存储 监控
如何使用 Python 爬取京东商品数据
如何使用 Python 爬取京东商品数据
13 2