SVM多分类的OvA策略优化算法的代码

下面是一个使用SVM多分类OvA策略并进行优化的Python代码示例，同样使用sklearn库中的SVM模型：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 数据预处理
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 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)

# 定义SVM模型和OvA策略
svm = SVC()
ova = OneVsRestClassifier(svm)

# 定义超参数搜索空间
param_grid = {'estimator__C': [0.1, 1, 10],
              'estimator__kernel': ['linear', 'rbf']}

# 进行超参数搜索
grid_search = GridSearchCV(ova, param_grid=param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最佳参数和交叉验证结果
print('Best parameters:', grid_search.best_params_)
print('Best cross-validation score:', grid_search.best_score_)

# 在测试集上预测结果
y_pred = grid_search.predict(X_test)

# 输出准确率
accuracy = sum(y_pred == y_test) / len(y_test)
print('Accuracy:', accuracy)

在这个例子中，我们同样使用Iris数据集进行分类，其中有3个类别。首先，我们对数据进行标准化处理，然后将数据集划分为训练集和测试集。接下来，我们使用sklearn库中的SVC模型，并使用sklearn库中的OneVsRestClassifier模型，将SVM模型包装起来，使用OvA策略进行多分类。然后，我们定义超参数搜索空间，并使用sklearn库中的GridSearchCV模型进行超参数搜索。最后，我们使用训练好的模型对测试集进行预测，计算准确率并输出。