支持向量机分类器模型评估的代码实现
时间: 2023-09-28 12:05:53 浏览: 50
好的,支持向量机分类器模型评估通常可以使用多种指标,比如准确率、精确率、召回率、F1值等。下面是一个示例代码,展示如何使用支持向量机分类器对鸢尾花数据集进行分类,并使用多个指标进行模型评估:
```python
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 构建支持向量机模型
svm = SVC(kernel='rbf', gamma='auto')
# 训练模型
svm.fit(X_train, y_train)
# 预测测试集
y_pred = svm.predict(X_test)
# 计算准确率、精确率、召回率、F1值
acc = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred, average='macro')
recall = recall_score(y_test, y_pred, average='macro')
f1 = f1_score(y_test, y_pred, average='macro')
print("Accuracy:", acc)
print("Precision:", precision)
print("Recall:", recall)
print("F1 score:", f1)
```
在这个示例代码中,我们使用了rbf核函数的支持向量机,并使用了accuracy_score、precision_score、recall_score、f1_score这四个函数来计算模型的准确率、精确率、召回率和F1值。需要注意的是,在计算精确率、召回率和F1值时,我们指定了average='macro',表示使用宏平均的方式计算指标值。
当然,根据具体的问题和数据集,我们也可以选择使用其他的评估指标来对模型进行评估。