首页 > 分享 > 【视觉算法—图像分类】基于SVM实现鸢尾花数据集分类

【视觉算法—图像分类】基于SVM实现鸢尾花数据集分类

花匠小妙招
2025-01-11 22:49

功能

基于SVM的经典鸢尾花数据集分类，取其二两个target方便plt画图

环境准备

pip install numpy pip install matplotlib pip install scikit-learn 123

代码

import numpy as np from matplotlib import pyplot as plt from sklearn.svm import SVC# 从sklearn中导入svm中的SVC from sklearn.datasets import load_iris# 导入sklearn的数据案例中的鸢尾花数据集 from sklearn.model_selection import train_test_split # 读取数据，不需要写路径 data = load_iris() #data和target是数据集写的 X = data['data'] y = data['target'] # 数据提取(target有0，1，2；!=A，就是舍去target=A的数据) A=2;#A可以是0，1，2 X = X[y!= A,0:2] y = y[y!= A] #Z-score标准化方法：（x-平均数）/标准差 #手动实现Z-score标准化 X -= np.mean(X,axis=0) X /= np.std(X,axis=0,ddof=1) m = len(X) # 数据切割 n=0.3#测试集占比为n，训练集占比（1-n） print('数据切割训练集：测试集=',(1-n),':',n) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=n, random_state=0)#由于数据是有序得，所以要随机选取 # 创建SVM模型 model_svm = SVC(C=1,kernel='rbf') # 调用fit函数训练模型 model_svm.fit(X_train,y_train) # 查看准确率 ss = model_svm.score(X_test,y_test) print('测试集的准确率是：',ss) # 调用训练好的模型获得预测的值 X_train_h = model_svm.predict(X_train) X_test_h = model_svm.predict(X_test) # 开始画图部分 # 确定画图的范围 x1_min,x1_max,x2_min,x2_max = np.min(X[:,0]),np.max(X[:,0]),np.min(X[:,1]),np.max(X[:,1]) # 将画布切割成200*200 x1,x2 = np.mgrid[x1_min:x1_max:200j,x2_min:x2_max:200j] # 计算点到超平面的距离 # 首先对数据进行拼接 x1x2 = np.c_[x1.ravel(),x2.ravel()] z = model_svm.decision_function(x1x2) z = z.reshape(x1.shape) # 画出所有的样本点 plt.scatter(X[:,0],X[:,1],c=y,zorder=10) # 画出测试集的样本点 plt.scatter(X_train[:,0],X_train[:,1],s=100,facecolor='none',zorder=10,edgecolors='k') # 画等值面 # plt.cm中cm全称表示colormap， # paired表示两个两个相近色彩输出，比如浅蓝、深蓝；浅红、深红；浅绿，深绿这种。 plt.contourf(x1,x2,z>=0,cmap=plt.cm.Paired) # 画等值线 plt.contour(x1,x2,z,levels=[-1,0,1]) plt.title('svm,not target %d'%A) plt.show()

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768

A=0时
在这里插入图片描述
A=1

A=2