python 70%训练集,30%测试集的SVM分类
时间: 2023-10-19 10:20:21 浏览: 33
下面是Python中使用70%训练集和30%测试集的SVM分类的示例代码:
```python
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
import pandas as pd
# 加载数据集
df = pd.read_csv('dataset.csv')
# 将特征矩阵和标签矩阵分离
X = df.drop('label', axis=1)
y = df['label']
# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 创建SVM分类器
svm = SVC(kernel='linear')
# 在训练集上训练SVM分类器
svm.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = svm.predict(X_test)
# 计算模型准确率
accuracy = accuracy_score(y_test, y_pred)
print('模型准确率:', accuracy)
```
在这个示例中,我们首先加载数据集,然后将特征矩阵和标签矩阵分离。然后,我们使用`train_test_split`函数将数据集划分为70%的训练集和30%的测试集。接下来,我们创建一个SVM分类器,并在训练集上进行训练。最后,我们在测试集上进行预测,并计算模型的准确率。
请注意,我们在创建SVM分类器时使用了`kernel='linear'`参数,这表示我们使用线性核函数来进行分类。你可以尝试其他核函数,例如多项式核函数或高斯核函数,以查看它们对模型性能的影响。