决策树python源码 Python中支持向量机SVM的使用方法详解

除了在Matlab中使用PRTools工具箱中的svm算法，Python中一样可以使用支持向量机做分类。因为Python中的sklearn库也集成了SVM算法，本文的运行环境是Pycharm。

一、导入sklearn算法包

  Scikit-Learn库已经实现了所有基本机器学习的算法，具体使用详见说明

  skleran中集成了许多算法，其导入包的方式如下所示，

  逻辑回归：from sklearn.linear_model import LogisticRegression

朴素贝叶斯：from sklearn.naive_bayes import GaussianNB

  K-近邻：from sklearn.neiors import KNeiorsClassifier

  决策树：from sklearn.tree import DecisionTreeClassifier

  支持向量机：from sklearn import svm

二、sklearn中svc的使用

（1）使用numpy中的loadtxt读入数据文件

  loadtxt()的使用方法：

  fname:文件路径。eg：C:/Dataset/iris.txt。

  dtype：数据类型。eg：float、str等。

  delimiter：分隔符。eg：‘，'。

  converters：将数据列与转换函数进行映射的字典。eg：{1:fun}，含义是将第2列对应转换函数进行转换。

  usecols：选取数据的列。

  以Iris兰花数据集为例子：

  由于从UCI中下载的Iris原始数据集的样子是这样的，前四列为特征列，第五列为类别列，分别有三种类别Iris-setosa， Iris-versicolor， Iris-virginica。   

当使用numpy中的loadtxt函数导入该数据集时，假设数据类型dtype为浮点型，但是很明显第五列的数据类型并不是浮点型。

因此我们要额外做一个工作，即通过loadtxt()函数中的converters参数将第五列通过转换函数映射成浮点类型的数据。

首先，我们要写出一个转换函数：

接下来读入数据，converters={4: iris_type}中“4”指的是第5列：

读入结果：

（2）将Iris分为训练集与测试集

  1. split(数据，分割位置，轴=1（水平分割） or 0（垂直分割）)。

  2. x = x[:, :2]是为方便后期画图更直观，故只取了前两列特征值向量训练。

  3. sklearn.model_selection.train_test_split随机划分训练集与测试集。train_test_split(train_data,train_target,test_size=数字, random_state=0)

  参数解释：

  train_data：所要划分的样本特征集

  train_target：所要划分的样本结果

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-60360-1.html