100天搞定机器学习|Day13-14 SVM的实现

机器学习100天|Day1数据预处理

100天搞定机器学习|Day2简单线性回归分析

100天搞定机器学习|Day3多元线性回归

100天搞定机器学习|Day4-6 逻辑回归

100天搞定机器学习|Day7 K-NN

100天搞定机器学习|Day8 逻辑回归的数学原理

100天搞定机器学习|Day9-12 支持向量机

100天搞定机器学习|Day11 实现KNN

昨天我们学习了支持向量机基本概念，重申数学推导原理的重要性并向大家介绍了一篇非常不错的文章。今天，我们使用Scikit-Learn中的SVC分类器实现SVM。我们将在day16使用kernel-trick实现SVM。

 

导入库

 

import numpy as np 
import matplotlib.pyplot as plt 
import pandas as pd

　　 

导入数据

数据集依然是Social_Network_Ads，下载链接：

https://pan.baidu.com/s/1cPBt2DAF2NraOMhbk5-_pQ

提取码：vl2g

dataset = pd.read_csv('Social_Network_Ads.csv') X = dataset.iloc[:,[2,3]].values y = dataset.iloc[:,4].values

拆分数据集为训练集合和测试集合

 

from sklearn.model_selection import train_test_split X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.25,random_state = 0)

　　 

特征量化

 

from sklearn.preprocessing import StandardScaler sc = StandardScaler() X_train = sc.fit_transform(X_train) X_test = sc.fit_transform(X_test)

　　 

适配SVM到训练集合

 

from sklearn.svm import SVC classifier = SVC(kernel = 'linear',random_state = 0) classifier.fit(X_train,y_train)

　　 

预测测试集合结果

 

y_pred = classifier.predict(X_test) 

创建混淆矩阵

 

from sklearn.metrics import confusion_matrix cm = confusion_matrix(y_test,y_pred)

 

  

训练集合结果可视化

 

from matplotlib.colors import ListedColormap
X_set,y_set = X_train,y_train
X1,X2 = np.meshgrid(np.arange(start = X_set[:,0].min() - 1,stop = X_set[:,0].max() + 1,step = 0.01),np.arange(start = X_set[:,1].min() - 1,1].max() + 1,step = 0.01))
plt.contourf(X1,X2,classifier.predict(np.array([X1.ravel(),X2.ravel()]).T).reshape(X1.shape),alpha = 0.75,cmap = ListedColormap(('red','green')))
plt.xlim(X1.min(),X1.max())
plt.ylim(X2.min(),X2.max())
for i,j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j,0],X_set[y_set == j,1],c = ListedColormap(('red','green'))(i),label = j)
plt.title('SVM (Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

 

测试集合结果可视化

 

from matplotlib.colors import ListedColormap
X_set,y_set = X_test,y_test
X1,label = j)
plt.title('SVM (Test set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()