首页 > 分享 > 【机器学习】SVM对Iris鸢尾花数据集实现多分类

【机器学习】SVM对Iris鸢尾花数据集实现多分类

目标

本文旨在掌握如何利用Scikit-learn库构建和训练SVM分类器,并评估其在分类任务中的表现。

环境

Python 3.x

Scikit-learn库(sklearn)

Jupyter Notebook或类似IDE(用于代码编写和结果展示)

数据集

使用sklearn提供的鸢尾花(Iris)数据集。该数据集包含150条记录,每条记录有4个特征(萼片长度、萼片宽度、花瓣长度、花瓣宽度),属于3个类别之一(Setosa、Versicolor、Virginica),是一个典型的多分类数据集。注意:若从本地导入iris.csv则还需要对标签进行编码成如0、1、2;如果直接load_iris()则不用,因为这时已经被自动编码好了。

实验步骤

1. 导入必要的库

导入Scikit-learn中相关数据集、用于数据处理和评估的相关模块、SVM分类器。

2. 加载、划分数据集

使用Scikit-Learn的datasets模块加载Iris数据集。

使用train_test_split函数将数据集划分为训练集和测试集。

3. 数据预处理

由于 SVM 对特征的尺度敏感,使用StandardScaler对特征进行标准化处理。

4. 构建SVM分类器

选择核函数并创建 SVM 模型。可以从linear线性核、rbf高斯核、poly多项式核等不同的核函数中进行选择,观察不同核对分类效果的影响。

5. 模型预测与评估

训练模型并对测试集进行预测,评估模型的表现,使用分类准确率等衡量模型分类效果。

代码参考

以下是一个利用Scikit-learn实现SVM分类Iris数据集的代码示例:

导入必要的库

import numpy as np

import pandas as pd

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.svm import SVC

from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

import matplotlib.pyplot as plt

import seaborn as sns

import matplotlib

加载数据集,并划分训练集和测试集 

iris = datasets.load_iris()

X = iris.data  

y = iris.target  

数据集划分

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

scaler = StandardScaler()

X_train = scaler.fit_transform(X_train)

X_test = scaler.transform(X_test)

构建和训练SVM模型 

kernels = ['linear', 'rbf', 'poly']

models = {}

for kernel in kernels:

    model = SVC(kernel=kernel, random_state=42)

    model.fit(X_train, y_train)

models[kernel] = model

预测 

图1

评估模型

results = {}

for kernel, model in models.items():

    acc = accuracy_score(y_test, y_pred)

    report = classification_report(y_test, y_pred, target_names=iris.target_names, output_dict=True)

    cm = confusion_matrix(y_test, y_pred)

    results[kernel] = {

"accuracy": acc,

"classification_report": report,

"confusion_matrix": cm

    }

print(f"核函数: {kernel}")

print(f"分类准确率: {acc:.4f}")

print("分类报告:")

print(classification_report(y_test, y_pred, target_names=iris.target_names))

print("n混淆矩阵:")

print(cm)

print("n")

fig, axes = plt.subplots(1, 3, figsize=(18, 6))

for i, (kernel, result) in enumerate(results.items()):

    sns.heatmap(result["confusion_matrix"], annot=True, fmt='d', cmap='Blues', ax=axes[i], xticklabels=iris.target_names, yticklabels=iris.target_names)

    axes[i].set_title(f"核函数: {kernel}")

    axes[i].set_xlabel("预测值")

    axes[i].set_ylabel("真实值")

plt.tight_layout()

plt.show()

图2

图3

图4

图5

相关知识

鸢尾花(Iris)数据集入门
基于机器学习的鸢尾花数据集的三分类算法的实现 C++
鸢尾花(iris)数据集分析
机器学习鸢尾花数据集
基于svm的鸢尾花数据集分类
SVM实现鸢尾花分类
【机器学习】基于KNN算法实现鸢尾花数据集的分类
鸢尾花数据集在机器学习中的应用与分析
15 鸢尾花(iris)数据集分析
【机器学习】利用KNN对Iris鸢尾花数据集进行分类

网址: 【机器学习】SVM对Iris鸢尾花数据集实现多分类 https://m.huajiangbk.com/newsview647988.html

所属分类:花卉
上一篇: 罗甸秋海棠 Begonia po
下一篇: 牡丹中最高贵的品种