python导入鸢尾花数据集_Python实现鸢尾花数据集分类问题——基于skearn的SVM

1 #!/usr/bin/env python

2 #encoding: utf-8

3 __author__ = 'Xiaolin Shen'

4 from sklearn importsvm5 importnumpy as np6 from sklearn importmodel_selection7 importmatplotlib.pyplot as plt8 importmatplotlib as mpl9 from matplotlib importcolors10

11

12

13 #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,但是很明显数据集的第五列的数据类型是字符串并不是浮点型。

14 #因此需要额外做一个工作,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。

15 #首先,我们要写出一个转换函数:

16 #定义一个函数,将不同类别标签与数字相对应

17 defiris_type(s):18 class_label={b'Iris-setosa':0,b'Iris-versicolor':1,b'Iris-virginica':2}19 returnclass_label[s]20

21 #(1)使用numpy中的loadtxt读入数据文件

22 filepath='IRIS_dataset.txt' #数据文件路径

23 data=np.loadtxt(filepath,dtype=float,delimiter=',',converters={4:iris_type})24 #以上4个参数中分别表示:

25 #filepath :文件路径。eg:C:/Dataset/iris.txt。

26 #dtype=float :数据类型。eg:float、str等。

27 #delimiter=',' :数据以什么分割符号分割。eg:‘,’。

28 #converters={4:iris_type} :对某一列数据(第四列)进行某种类型的转换,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。

29 #converters={4: iris_type}中“4”指的是第5列。

30

31 #print(data)

32 #读入结果示例为:

33 #[[ 5.1 3.5 1.4 0.2 0. ]

34 #[ 4.9 3. 1.4 0.2 0. ]

35 #[ 4.7 3.2 1.3 0.2 0. ]

36 #[ 4.6 3.1 1.5 0.2 0. ]

37 #[ 5. 3.6 1.4 0.2 0. ]]

38

39

40

41 #(2)将原始数据集划分成训练集和测试集

42 X ,y=np.split(data,(4,),axis=1) #np.split 按照列(axis=1)进行分割,从第四列开始往后的作为y 数据,之前的作为X 数据。函数 split(数据,分割位置,轴=1(水平分割) or 0(垂直分割))。

43 x=X[:,0:2] #在 X中取前两列作为特征(为了后期的可视化画图更加直观,故只取前两列特征值向量进行训练)

44 x_train,x_test,y_train,y_test=model_selection.train_test_split(x,y,random_state=1,test_size=0.3)45 #用train_test_split将数据随机分为训练集和测试集,测试集占总数据的30%(test_size=0.3),random_state是随机数种子

46 #参数解释:

47 #x:train_data:所要划分的样本特征集。

48 #y:train_target:所要划分的样本结果。

49 #test_size:样本占比,如果是整数的话就是样本的数量。

50 #random_state:是随机数的种子。

51 #(随机数种子:其实就是该组随机数的编号,在需要重复试验的时候,保证得到一组一样的随机数。比如你每次都填1,其他参数一样的情况下你得到的随机数组是一样的。但填0或不填,每次都会不一样。

52 #随机数的产生取决于种子,随机数和种子之间的关系遵从以下两个规则:种子不同,产生不同的随机数;种子相同,即使实例不同也产生相同的随机数。)

53

54

55 #(3)搭建模型,训练SVM分类器

56 #classifier=svm.SVC(kernel='linear',gamma=0.1,decision_function_shape='ovo',C=0.1)

57 #kernel='linear'时,为线性核函数,C越大分类效果越好,但有可能会过拟合(defaul C=1)。

58 classifier=svm.SVC(kernel='rbf',gamma=0.1,decision_function_shape='ovo',C=0.8)59 #kernel='rbf'(default)时,为高斯核函数,gamma值越小,分类界面越连续;gamma值越大,分类界面越“散”,分类效果越好,但有可能会过拟合。

60 #decision_function_shape='ovo'时,为one v one分类问题,即将类别两两之间进行划分,用二分类的方法模拟多分类的结果。

61 #decision_function_shape='ovr'时,为one v rest分类问题,即一个类别与其他类别进行划分。

62 #开始训练

63 classifier.fit(x_train,y_train.ravel())64 #调用ravel()函数将矩阵转变成一维数组

65 #(ravel()函数与flatten()的区别)

66 #两者所要实现的功能是一致的(将多维数组降为一维),

67 #两者的区别在于返回拷贝(copy)还是返回视图(view),

68 #numpy.flatten() 返回一份拷贝,对拷贝所做的修改不会影响(reflects)原始矩阵,

69 #而numpy.ravel()返回的是视图(view),会影响(reflects)原始矩阵。

70

71

72 defshow_accuracy(y_hat,y_train,str):73 pass

74

75 #(4)计算svm分类器的准确率

76 print("SVM-输出训练集的准确率为:",classifier.score(x_train,y_train))77 y_hat=classifier.predict(x_train)78 show_accuracy(y_hat,y_train,'训练集')79 print("SVM-输出测试集的准确率为:",classifier.score(x_test,y_test))80 y_hat=classifier.predict(x_test)81 show_accuracy(y_hat,y_test,'测试集')82 #SVM-输出训练集的准确率为: 0.838095238095

83 #SVM-输出测试集的准确率为: 0.777777777778

84

85

86 #查看决策函数,可以通过decision_function()实现。decision_function中每一列的值代表距离各类别的距离。

87 #print('decision_function:\n', classifier.decision_function(x_train))

88 print('\npredict:\n', classifier.predict(x_train))89

90

91 #(5)绘制图像

92 #1.确定坐标轴范围,x,y轴分别表示两个特征

93 x1_min, x1_max = x[:, 0].min(), x[:, 0].max() #第0列的范围 x[:, 0] ":"表示所有行,0表示第1列

94 x2_min, x2_max = x[:, 1].min(), x[:, 1].max() #第1列的范围 x[:, 0] ":"表示所有行,1表示第2列

95 x1, x2 = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j] #生成网格采样点(用meshgrid函数生成两个网格矩阵X1和X2)

96 grid_test = np.stack((x1.flat, x2.flat), axis=1) #测试点,再通过stack()函数,axis=1,生成测试点

97 #.flat 将矩阵转变成一维数组 (与ravel()的区别:flatten:返回的是拷贝

98

99 print("grid_test = \n", grid_test)100 #print("x = \n",x)

101 grid_hat = classifier.predict(grid_test) #预测分类值

102

103 print("grid_hat = \n", grid_hat)104 #print(x1.shape())

105 grid_hat = grid_hat.reshape(x1.shape) #使之与输入的形状相同

106

107

108 #2.指定默认字体

109 mpl.rcParams['font.sans-serif'] = [u'SimHei']110 mpl.rcParams['axes.unicode_minus'] =False111

112 #3.绘制

113 cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])114 cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])115

116 alpha=0.5

117

118 plt.pcolormesh(x1, x2, grid_hat, cmap=cm_light) #预测值的显示

119 #plt.scatter(x[:, 0], x[:, 1], c=y, edgecolors='k', s=50, cmap=cm_dark) # 样本

120 plt.plot(x[:, 0], x[:, 1], 'o', alpha=alpha, color='blue', markeredgecolor='k')121 plt.scatter(x_test[:, 0], x_test[:, 1], s=120, facecolors='none', zorder=10) #圈中测试集样本

122 plt.xlabel(u'花萼长度', fontsize=13)123 plt.ylabel(u'花萼宽度', fontsize=13)124 plt.xlim(x1_min, x1_max)125 plt.ylim(x2_min, x2_max)126 plt.title(u'鸢尾花SVM二特征分类', fontsize=15)127 #plt.grid()

128 plt.show()129

130

131

132

133 '''

134 #输出训练集的准确率135 print(classifier.score(x_train,x_test))136

137 #由于准确率表现不直观,可以通过其他方式观察结果。138

139 #首先将原始结果与训练集预测结果进行对比:140 y_train_hat=classifier.predict(x_train)141 y_train_1d=y_train.reshape((-1))142 comp=zip(y_train_1d,y_train_hat) #用zip把原始结果和预测结果放在一起。显示如下:143 print(list(comp))144

145 #同样的,可以用训练好的模型对测试集的数据进行预测:146 print(classifier.score(x_test,y_test))147 y_test_hat=classifier.predict(x_test)148 y_test_1d=y_test.reshape((-1))149 comp=zip(y_test_1d,y_test_hat)150 print(list(comp))151

152

153 #还可以通过图像进行可视化:154 plt.figure()155 plt.subplot(121)156 plt.scatter(x_train[:,0],x_train[:,1],c=y_train.reshape((-1)),edgecolors='k',s=50)157 plt.subplot(122)158 plt.scatter(x_train[:,0],x_train[:,1],c=y_train_hat.reshape((-1)),edgecolors='k',s=50)159

160 '''

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/552115.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

贝塞尔曲线 java_贝塞尔曲线理论及实现——Java篇

贝塞尔曲线贝塞尔曲线(The Bzier Curves),是一种在计算机图形学中相当重要的参数曲线(2D,3D的称为曲面)。贝塞尔曲线于1962年,由法国工程师皮埃尔贝塞尔(Pierre Bzier)所发表,他运用贝塞尔曲线来为汽车的主体进行设计。线性曲线给…

java连接access_关于k8s下使用Ingress保持长连接的异常情况排查

写在前面的话应某位友人需求,帮整理下工作中的发生的一些值得记录的文章。于是在友人描述后,为其整理为了文章,供大家一起参考探讨。问题描述在我们中应用有一个使用到Http Long Poll的场景,它需要一个http请求保持最长30秒&#…

python重复命令_Python简化重复命令教案

教材分析: 本节主要内容是 Python 程序设计的第三节, 也是这一单元的重点和难点, 是在掌握循序结构程序的基础上真正接 触结构化程序设计,能够理解并掌握循环语句的含义,其他语句就很容易理解了。 学情分析&#xff1a…

java调用另一个类的变量_调用 另一个类(同包/不同包)中的方法,成员方法,成员变量...

调用 另一个类中的1, 方法(方法区别于成员方法的标志就是有无static)homework05.Test52.randomNumber(100,20,8); //直接调用即可, 包名.类名.方法名();同一个包中可不写包名.1 packagehomework06;23 importhomework05.Test52;45 importjava.util.Arrays;67 public classTes…

罗斯蒙特电磁流量计8723说明书_罗斯蒙特8732E电磁流量计对环境和温度的限制

今天我们来说说美国罗斯蒙特8732E电磁流量计对环境和温度的限制!工作温度-40 到 60C(-40 到 140F),无本地操作界面-20 到 60C(-4 到 140F),有本地操作界面当温度低于 -20C 时,本地操作界面 (LOI) 将无显示储存-40 到 85C(-40 到 1…

python字符串定义符_python入门——定义字符串

坚持每天更新,帮助入门python。kali linux 小伙伴们,大家好,今下午我们一起学习在python中定义字符串。 那么什么是字符串呢?字符串或串(String)是由数字、字母、下划线组成的一串字符。说白了,就是一堆字符。 在pytho…

java asynchronize_Java 中synchronize函数的实例详解

Java 中synchronize函数的实例详解java中的一个类的成员函数若用synchronized来修饰,则对应同一个对象,多个线程像调用这个对象的这个同步函数时必须等到上一个线程调用完才能由下一个线程调用。那么如果一个类同时有两个成员函数是由synchronized修饰如…

python递归和循环的区别_递归与伪递归区别,Python 实现递归与尾递归

递归函数在函数内部,可以调用其他函数。如果一个函数在内部调用自身本身,这个函数就是递归函数。(1) 递归就是在过程或函数里调用自身。(2) 在使用递归策略时,必须有一个明确的递归结束条件,称为递归出口。递归一般用于解决三类问…

java基础排序_Java排序算法-Java入门|Java基础课程

1、 课程目标排序是任何语言都会使用到的功能之一,然成果排序的算法有很多,对空间的要求及其时间效率也不尽相同。本文章以Java语言示例,通过对空间要求、时间效率要求,来对比各种排序算法的使用场景2、适用对象Java语言初学者Jav…

python逐行打印_python中逐行打印

方法一:readline函数 f open("./code.txt")      #返回一个文件对象 line f.readline() #调用文件的 readline()方法 whileline: print(line, end ) #在 Python 3中使用 line f.readline() f.close() 方法二:一次读取多行数据 with ope…

多个python脚本同时执行_Python实现脚本锁功能(同时只能执行一个脚本)

1. 文件锁脚本启动前检查特定文件是否存在,不存在就启动并新建文件,脚本结束后删掉特定文件。通过文件的判断来确定脚本是否正在执行。方法实现也比较简单,这里以python脚本为例#codingutf-8## 文件锁脚本测试#import os #操作系统import tim…

耳机不分主从是什么意思_开学必备高性价蓝牙耳机,学生党时尚配件推荐

耳机自从手机出世之后就一直伴随着我们,作为手机的最佳搭档被我们使用,像现如今流行的蓝牙耳机我们就经常使用,大学生也是差不多每天都用得着,听歌、散步、玩游戏、看剧等哪都看得到它的身影,当然蓝牙耳机价格也有高低…

11g java 驱动_Oracle 11g Java驱动包ojdbc6.jar安装到maven库,并查看jar具体版本号

ojdbc6.jar下载Oracle官方宣布的Oracle数据库11g的驱动jar包是ojdbc6.jarojdbc6.jar下载地址:https://www.oracle.com/technetwork/database/enterprise-edition/jdbc-112010-090769.html (Oracle Database 11g Release 2 (11.2.0.4) JDBC Drivers & UCP Downlo…

功放音量调节原理_玩汽车音响,功放和喇叭,应该如何做好匹配?

原标题:玩汽车音响,功放和喇叭,应该如何做好匹配?功放和喇叭搭配使用,离不开合理匹配,那么如何做好两者匹配呢?功放和喇叭要做到三匹配:阻抗匹配、功率匹配和工作频率匹配。只有这样…

python淘宝抢购_Python 实现毫秒级淘宝抢购脚本的示例代码

本篇文章主要介绍了Python 通过selenium实现毫秒级自动抢购的示例代码,通过扫码登录即可自动完成一系列操作,抢购时间精确至毫秒,可抢加购物车等待时间结算的,也可以抢聚划算的商品。 博主不提供任何服务器端程序,也不…

java seekbar_SeekBar的基本使用方法

a)什么是SeekBarb)使用SeekBar的步骤:i.在布局文件当中声明SeekBar: ii.定义一个OnSeekBarChangeListener: private class SeekBarListener implements SeekBar.OnSeekBarChangeListener{public void onProgressChanged(SeekBar seekBar,int progress,Boolean fromUser){System…

线程中如何使用对象_在 Flink 算子中使用多线程如何保证不丢数据?

简介: 本人通过分析痛点、同步批量请求优化为异步请求、多线程 Client 模式、Flink 算子内多线程实现以及总结四部分帮助大家理解 Flink 中使用多线程的优化及在 Flink 算子中使用多线程如何保证不丢数据。分析痛点笔者线上有一个 Flink 任务消费 Kafka 数据&#x…

用python绘制好看的图形_怎么用Python画出好看的词云图?

相信很多人在第一眼看到下面这些图时,都会被其牛逼的视觉效应所吸引,这篇文章就教大家怎么用Python画出这种图。 前期准备 上面的这种图叫做词云图,主要用途是将文本数据中出现频率较高的关键词以可视化的形式展现出来,使人一眼就…

linux回到桌面的命令符_三 基本的base shell 命令

1、启动shell进入 /etc/passwd 看到知道默认的是base shell ctrlaltt 或者双击终端,就进入如下图界面;如果你还是CLI新手,请记住,在输入shell命令之后,需要按回车键才能让shell执行你输入的命令。2、bash 手册man 命令…

java单纯形法_单纯形法 - fjzzq2002 - 博客园

看了集训队答辩,感觉要学习的有杜教筛高级版、线性规划、FFT、仙人掌、高级版线段树不出意外的话一个月内博客内都不会有别的东西了QAQ首先是喜闻乐见的单纯形法解线性规划。今年(2016年)和线性规划有关的集训队论文有两篇,大家可以自行翻一下集训队论文…