写一个SVM多分类代码
时间: 2024-05-02 09:16:12 浏览: 12
以下是用 Python 实现 SVM 多分类的代码:
```
import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
# 加载 iris 数据集
iris = datasets.load_iris()
X = iris["data"]
y = iris["target"]
# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 训练 SVM 模型
clf = svm.SVC(kernel='linear')
clf.fit(X_train, y_train)
# 评估模型在测试集上的效果
accuracy = clf.score(X_test, y_test)
print("Accuracy:", accuracy)
```
这是一个使用线性核的 SVM 分类器的简单代码实现,并使用 sklearn 的 iris 数据集进行测试。
相关问题
写一个SVM多分类代码MATLAB
答案:我可以提供一个MATLAB SVM多分类示例代码: % 加载数据
load fisheriris % 将花瓣长度和宽度作为特征
X = meas(:,3:4); % 将品种作为标签
Y = species; % 构建 SVM 分类模型
cl = fitcsvm(X,Y); % 进行预测
label = predict(cl,X); % 计算预测精度
accuracy = mean(label == Y);
写一个SVM多分类的代码
以下是一个使用SVM进行多分类的Python代码示例:
```python
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
# 创建SVM分类器
svm = SVC(kernel='linear', C=1, decision_function_shape='ovr')
# 将模型用训练数据拟合
svm.fit(X_train, y_train)
# 对测试数据进行预测
y_pred = svm.predict(X_test)
# 计算分类器的准确度
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")
```
在这个例子中,我们使用了Scikit-learn库中的Iris数据集作为例子进行多分类。我们将数据集分为训练集和测试集,创建一个使用线性核函数的SVM分类器,并使用训练数据拟合这个模型。最后,我们对测试数据进行预测,并计算分类器的准确度。注意,这个例子中使用的是“一对多”(ovr)策略进行多分类。