什么是网站建设流程图,北京商场排名,专门做产品推广ppt的网站,c2c平台是指什么和支持向量分类(Nu-Support Vector Classification)#xff0c;与 SVC 类似#xff0c;但使用一个参数来控制支持向量的数量#xff0c;其实现基于libsvm
一、算法思路
本质都是SVM中的一种优化#xff0c;原理都类似#xff0c;详细算法思路可以参考博文#xff1a;三…和支持向量分类(Nu-Support Vector Classification)与 SVC 类似但使用一个参数来控制支持向量的数量其实现基于libsvm
一、算法思路
本质都是SVM中的一种优化原理都类似详细算法思路可以参考博文三、支持向量机算法(SVCSupport Vector Classification)有监督学习
二、官网API
官网API
class sklearn.svm.NuSVC(*, nu0.5, kernelrbf, degree3, gammascale, coef00.0, shrinkingTrue, probabilityFalse, tol0.001, cache_size200, class_weightNone, verboseFalse, max_iter-1, decision_function_shapeovr, break_tiesFalse, random_stateNone)导包from sklearn.svm import NuSVC
①边际误差分数nu
边际误差分数的上限和支持向量分数的下限用来控制支持向量的数目和边际误差nu范围应为(0,1]默认值为0.5
具体官网详情如下
使用方法
NuSVC(nu0.5)
②核函数kernel
‘linear’线性核函数速度快只能处理数据集样本线性可分不能处理线性不可分。 ‘poly’多项式核函数可将数据集样本升维从低维空间映射到高维空间参数较多计算量大 ‘rbf’高斯核函数和多项式核函数一样可将样本升维相较于多项式核函数来说参数较少默认值 sigmoid’sigmoid 核函数当选用 sigmoid 核函数时SVM 可实现的是多层神经网络 ‘precomputed’核矩阵使用用户给定的核函数矩阵(n*n) 也可以自定义自己的核函数然后进行调用即可
具体官网详情如下
使用方法
NuSVC(kernelsigmoid)
③多项式核函数的阶数degree
多项式核函数的阶数该参数只对多项式核函数(poly)有用若是其他的核函数系统会自动忽略该参数
具体官网详情如下
使用方式
NuSVC(kernelpoly,degree2)
④核系数gamma
rbf、poly 和 sigmoid核函数的核系数该参数只针对这三个核函数需要注意 ‘scale’默认值具体的计算公式看下面的详细官网详情 ‘auto’具体的计算公式看下面的详细官网详情 或者是其他的浮点数均可
具体官网详情如下
使用方式
NuSVC(gammaauto)
⑤随机种子random_state
如果要是为了对比需要控制变量的话这里的随机种子最好设置为同一个整型数
具体官网详情如下
使用方式
NuSVC(random_state42)
⑥最终构建模型
NuSVC(nu0.5,kernel‘rbf’,gamma‘auto’,random_state42)
三、代码实现
①导包
这里需要评估、训练、保存和加载模型以下是一些必要的包若导入过程报错pip安装即可
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import joblib
%matplotlib inline
import seaborn as sns
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.svm import NuSVC
from sklearn.metrics import confusion_matrix, classification_report, accuracy_score②加载数据集
数据集可以自己简单整个csv格式即可我这里使用的是6个自变量X和1个因变量Y
fiber pd.read_csv(./fiber.csv)
fiber.head(5) #展示下头5条数据信息③划分数据集
前六列是自变量X最后一列是因变量Y
常用的划分数据集函数官网APItrain_test_split test_size测试集数据所占比例 train_size训练集数据所占比例 random_state随机种子 shuffle是否将数据进行打乱 因为我这里的数据集共48个训练集0.75测试集0.25即训练集36个测试集12个
X fiber.drop([Grade], axis1)
Y fiber[Grade]X_train, X_test, y_train, y_test train_test_split(X,Y,train_size0.75,test_size0.25,random_state42,shuffleTrue)print(X_train.shape) #(36,6)
print(y_train.shape) #(36,)
print(X_test.shape) #(12,6)
print(y_test.shape) #(12,)④构建NuSVC模型
参数可以自己去尝试设置调整
nusvc NuSVC(nu0.5,kernelrbf,gammaauto,random_state42)⑤模型训练
就这么简单一个fit函数就可以实现模型训练
nusvc.fit(X_train,y_train)⑥模型评估
把测试集扔进去得到预测的测试结果
y_pred nusvc.predict(X_test)看看预测结果和实际测试集结果是否一致一致为1否则为0取个平均值就是准确率
accuracy np.mean(y_predy_test)
print(accuracy)也可以通过score得分进行评估计算的结果和思路都是一样的都是看所有的数据集中模型猜对的概率只不过这个score函数已经封装好了当然传入的参数也不一样需要导入accuracy_score才行from sklearn.metrics import accuracy_score
score nusvc.score(X_test,y_test)#得分
print(score)⑦模型测试
拿到一条数据使用训练好的模型进行评估 这里是六个自变量我这里随机整个test np.array([[16,18312.5,6614.5,2842.31,25.23,1147430.19]]) 扔到模型里面得到预测结果prediction nusvc.predict(test) 看下预测结果是多少是否和正确结果相同print(prediction)
test np.array([[16,18312.5,6614.5,2842.31,25.23,1147430.19]])
prediction nusvc.predict(test)
print(prediction) #[2]⑧保存模型
nusvc是模型名称需要对应一致 后面的参数是保存模型的路径
joblib.dump(nusvc, ./nusvc.model)#保存模型⑨加载和使用模型
nusvc_yy joblib.load(./nusvc.model)test np.array([[11,99498,5369,9045.27,28.47,3827588.56]])#随便找的一条数据
prediction nusvc_yy.predict(test)#带入数据预测一下
print(prediction) #[4]完整代码
模型训练和评估不包含⑧⑨。
from sklearn.svm import NuSVC
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_splitfiber pd.read_csv(./fiber.csv)
# 划分自变量和因变量
X fiber.drop([Grade], axis1)
Y fiber[Grade]
#划分数据集
X_train, X_test, y_train, y_test train_test_split(X, Y, random_state0)nusvc NuSVC(nu0.5,kernelrbf,gammaauto,random_state42)
nusvc.fit(X_train,y_train)#模型拟合
y_pred nusvc.predict(X_test)#模型预测结果
accuracy np.mean(y_predy_test)#准确度
score nusvc.score(X_test,y_test)#得分
print(accuracy)
print(score)test np.array([[23,97215.5,22795.5,2613.09,29.72,1786141.62]])#随便找的一条数据
prediction nusvc.predict(test)#带入数据预测一下
print(prediction)
