利用SVM向量机预测上市公司退市风险的Python代码,其中标签是数据最后一列,共17个分类特征
时间: 2023-10-07 08:08:24 浏览: 45
以下是一个使用SVM向量机进行上市公司退市风险预测的Python代码示例:
```python
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
# 读取数据
data = pd.read_csv('data.csv')
# 提取特征和标签
X = data.iloc[:, :-1]
y = data.iloc[:, -1]
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建SVM模型
model = SVC(kernel='linear')
# 训练模型
model.fit(X_train, y_train)
# 预测测试集
y_pred = model.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("模型准确率为:", accuracy)
```
在这个示例中,我们首先使用Pandas库读取数据,然后将特征和标签分别存储在变量X和y中。接下来,我们使用train_test_split函数将数据划分为训练集和测试集。然后,我们创建一个SVM模型并对训练集进行训练。最后,我们使用模型对测试集进行预测,并计算模型的准确率。
请注意,这个示例使用了线性核函数。如果需要,你可以使用其他类型的核函数,比如高斯核函数,来获得更好的预测性能。此外,你可能需要对特征进行归一化或标准化,以便它们具有相似的尺度和分布。