python实现svm
时间: 2023-12-04 19:02:11 浏览: 84
以下是使用Python实现SVM的基本步骤:
1. 数据处理:将数据集划分为训练集和测试集,并进行特征缩放和标准化。
2. 模型训练:使用训练集训练SVM模型,选择合适的核函数和正则化参数。
3. 模型评估:使用测试集对模型进行评估,计算准确率、召回率、F1值等指标。
4. 参数调优:根据模型评估结果,调整模型参数。
以下是一个简单的Python代码实现SVM:
```python
from sklearn import svm
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载鸢尾花数据集
iris = 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)
# 创建SVM模型
clf = svm.SVC(kernel='linear')
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集结果
y_pred = clf.predict(X_test)
# 计算模型评估指标
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Precision:", precision_score(y_test, y_pred, average='macro'))
print("Recall:", recall_score(y_test, y_pred, average='macro'))
print("F1-Score:", f1_score(y_test, y_pred, average='macro'))
```
在这个例子中,我们使用鸢尾花数据集来训练一个线性SVM模型,并计算准确率、召回率、F1值等指标。你可以根据自己的需求,调整模型参数和数据集,来实现更复杂的SVM应用。
阅读全文