用SVC模型進行紅酒分類

文章目錄

• 用SVC模型進行紅酒分類
• • 實驗說明
  • 實驗代碼
  • 參數優化
  • 支持向量

實驗說明

實驗要求：使用SVC模型完成對手寫數字的分類（ load_digits)，并使用評測指標 precision_score、 recall_score、f1_score 對分類結果評測。

• 實驗環境：Pycharm
• Python版本：3.6
• 需要的第三方庫：sklearn

實驗代碼

這里 SVC 模型采用的是高斯核函數 kernel=‘rbf’，懲罰系數 C=0.8。

我們采用 classification_report 來進行評價，其中就包含了 precision_score、 recall_score、f1_score 。

有關 SVC 模型的參數以及如何選擇， 可以參考這篇博客 sklearn.svm.svc 參數說明

from sklearn.datasets import load_digits from sklearn.svm import SVC from sklearn.metrics import classification_report from sklearn.metrics import accuracy_score from sklearn.model_selection import train_test_split #加載數據集 digits=load_digits() x=digits.data y=digits.target #打印數據形狀 # print("x.shape:\n", x.shape) #輸出digits數據集中的特征 #print('digits.feature_names: \n',digits.feature_names) # print('digits.target_names: \n', digits.target_names)# 拆分數據集 x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=10) #創建svc實例 svc=SVC(C=0.8,kernel='rbf',class_weight='balanced') svc=svc.fit(x_train,y_train) #預測 svc_predict=svc.predict(x_test) #評價結果 svc_metric=classification_report(y_test,svc_predict,digits.target_names) print(svc_metric) print("accuracy_score",accuracy_score(y_test,svc_predict))

從結果中可以看到，預測的準確率是比較高的。

參數優化

我們采用網格參數搜索的方式進行優化，核函數依然選擇高斯核函數，我們針對 懲罰系數 C 和核函數系數 gamma 進行調參。

from sklearn.datasets import load_digits from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.metrics import classification_report, accuracy_score from sklearn.model_selection import GridSearchCV# 加載數據集 digits = load_digits() x = digits.data y = digits.target # 打印數據形狀 # print("x.shape:\n", x.shape) # 輸出數據集中的特征、分類名 # print("digits.feature_names:\n", digits.feature_names) # print("digits.target_names:\n", digits.target_names) # print()# 拆分數據集 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=10)# 設置超參數 C = [0.1, 0.2, 0.5, 0.8, 0.9, 1] kernel = 'rbf' gamma = [0.001, 0.01, 0.1, 0.2, 0.5, 0.8] # 參數字典 params_dict = {'C': C,'gamma': gamma }# 創建SVC實例 svc = SVC()# 網格參數搜索 gsCV = GridSearchCV(estimator=svc,param_grid=params_dict,n_jobs=2,scoring='r2',cv=6 ) gsCV.fit(x_train, y_train) # 輸出參數信息 print("最佳度量值:", gsCV.best_score_, end=",") print("最佳參數:", gsCV.best_params_) print("最佳模型:", gsCV.best_estimator_)# 用最佳參數生成模型 svc = SVC(C=gsCV.best_params_['C'], kernel=kernel, gamma=gsCV.best_params_['gamma'])# 擬合訓練集 svc = svc.fit(x_train, y_train)# 預測 svc_predict = svc.predict(x_test)# 評價結果 svc_metric = classification_report(y_test, svc_predict) print(svc_metric) print("accuracy_score:", accuracy_score(y_test, svc_predict))

網格參數搜索是以窮舉的方式進行參數選擇的，所以會比較耗時，一般只用于小數據集。

大約等待了幾分鐘，終于跑出了結果。從預測結果我們看出，參數調優之后準確率明顯升高。

支持向量

想要查看該實驗的支持向量的個數以及相應的向量，并將分類錯誤的數據輸出。

# 查看支持向量 sum = 0 for i in range(len(svc.n_support_)):sum += svc.n_support_[i] print("支持向量的個數：", sum) print("支持向量：", svc.support_vectors_) print("分類錯誤的數據:") for i in range(len(svc_predict)):if(svc_predict[i] != y_test[i]):print("索引：{}，數值：{}".format(i, svc_predict[i]))

總結

以上是生活随笔為你收集整理的用SVC模型完成对手写数字的分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。