svm支持向量机代码pyhton
时间: 2023-09-24 17:04:51 浏览: 39
要实现SVM支持向量机的代码,可以使用Scikit-learn库。以下是一个简单的示例代码:
```python
from sklearn import svm
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 加载Iris数据集
iris = load_iris()
X = iris.data[:, :2 # 使用前两个特征
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=0.2)
# 创建SVM分类器
clf = svm.SVC(kernel='linear')
# 训练模型
clf.fit(X_train, y_train)
# 预测
y_pred = clf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
```
以上代码首先导入所需的库,包括Scikit-learn库和数据集库。然后加载Iris数据集,并选择前两个特征作为输入。接下来,将数据集分为训练集和测试集,以便训练模型并测试其准确性。然后,创建一个线性核的SVM分类器,并使用训练集对其进行训练。最后,使用测试集进行预测,并计算准确率。
相关问题
SVM支持向量机的Python代码
很高兴为你解答这个问题。以下是一个使用Python实现SVM支持向量机算法的简单示例代码:
```python
from sklearn import svm
X = [[0, 0], [1, 1]]
y = [0, 1]
clf = svm.SVC()
clf.fit(X, y)
print(clf.predict([[2., 2.]]))
```
以上代码使用Scikit-learn库实现SVM支持向量机算法。代码中,我们首先定义了一个包含两个特征值的数据集,然后定义了一个包含两个标签值的标签集。接下来,我们通过SVC()函数来创建一个SVM分类器,并通过fit()函数训练分类器。最后,我们使用predict()函数来预测新数据,并输出结果。
希望这个简单的例子能帮助你理解如何在Python中使用SVM支持向量机算法。
svm支持向量机预测python代码
下面是一个简单的SVM支持向量机预测Python代码示例:
```python
from sklearn import svm
# 准备训练数据
X_train = [[0, 0], [1, 1]]
y_train = [0, 1]
# 创建SVM分类器对象
clf = svm.SVC()
# 训练SVM分类器
clf.fit(X_train, y_train)
# 预测新的样本
X_test = [[2, 2], [-1, -1]]
y_pred = clf.predict(X_test)
# 打印预测结果
print(y_pred)
```
在这个例子中,我们使用`sklearn`库中的`svm`模块来创建一个SVM分类器对象。我们准备了一些训练数据,使用`fit`方法来训练分类器。然后我们使用`predict`方法来预测新的样本,并打印预测结果。