python实现svm算法实战

在Python中，支持向量机（SVM）是一种常用的机器学习算法，尤其适用于分类和回归任务。Scikit-learn库提供了方便易用的SVM接口。以下是使用Python和scikit-learn实现SVM的一个简单步骤：

1. **安装依赖**:
首先确保已经安装了`numpy`, `pandas`, 和 `scikit-learn`。如果没有安装，可以使用pip进行安装：

   pip install numpy pandas scikit-learn

2. **数据预处理**:
导入所需的库，并读取数据集。对数据进行必要的清洗、编码（如类别编码）和划分训练集和测试集。

import pandas as pd
from sklearn.model_selection import train_test_split

# 加载数据
data = pd.read_csv('your_dataset.csv')
X = data.drop('target_column', axis=1) # 特征列
y = data['target_column'] # 目标列
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

3. **创建并训练模型**:
使用`sklearn.svm`模块创建一个线性SVM实例，并通过`fit()`函数拟合数据。

from sklearn import svm

svm_model = svm.SVC(kernel='linear') # 可选内核包括 'linear', 'poly', 'rbf', 'sigmoid'
svm_model.fit(X_train, y_train)

4. **预测与评估**:
对测试集进行预测，并计算性能指标（如准确率、精度、召回率等）。

y_pred = svm_model.predict(X_test)
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

5. **参数调整**:
SVM有许多超参数可以优化，例如C（惩罚系数）、gamma（核函数的宽度）。你可以使用GridSearchCV或RandomizedSearchCV来自动搜索最佳参数。

from sklearn.model_selection import GridSearchCV

param_grid = {'C': [0.1, 1, 10, 100], 'kernel': ['linear', 'rbf']}
grid_search = GridSearchCV(svm.SVC(), param_grid, refit=True)
grid_search.fit(X_train, y_train)

best_params = grid_search.best_params_
best_model = grid_search.best_estimator_