本文代碼來之《數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》，在此基礎(chǔ)上補(bǔ)充完善了一下~
代碼是基于SVM的分類器Python實(shí)現(xiàn)，原文章節(jié)題目和code關(guān)系不大，或者說給出已處理好數(shù)據(jù)的方法缺失、源是圖像數(shù)據(jù)更是不見蹤影，一句話就是練習(xí)分類器（???メ）
源代碼直接給好了K=30，就試了試怎么選的，挑選規(guī)則設(shè)定比較單一，有好主意請不吝賜教喲
# -*- coding: utf-8 -*-
"""
Created on Sun Aug 12 12:19:34 2018
@author: Luove
"""
from sklearn import svm
from sklearn import metrics
import pandas as pd
import numpy as np
from numpy.random import shuffle
#from random import seed
#import pickle #保存模型和加載模型
import os
os.getcwd()
os.chdir('D:/Analyze/Python Matlab/Python/BookCodes/Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)/圖書配套數(shù)據(jù)、代碼/chapter9/demo/code')
inputfile = '../data/moment.csv'
data=pd.read_csv(inputfile)
data.head()
data=data.as_matrix()
#seed(10)
shuffle(data) #隨機(jī)重排，按列，同列重排，因是隨機(jī)的每次運(yùn)算會導(dǎo)致結(jié)果有差異，可在之前設(shè)置seed
n=0.8
train=data[:int(n*len(data)),:]
test=data[int(n*len(data)):,:]
#建模數(shù)據(jù) 整理
#k=30
m=100
record=pd.DataFrame(columns=['acurrary_train','acurrary_test'])
for k in range(1,m+1):
# k特征擴(kuò)大倍數(shù)，特征值在0-1之間，彼此區(qū)分度太小，擴(kuò)大以提高區(qū)分度和準(zhǔn)確率
x_train=train[:,2:]*k
y_train=train[:,0].astype(int)
x_test=test[:,2:]*k
y_test=test[:,0].astype(int)
model=svm.SVC()
model.fit(x_train,y_train)
#pickle.dump(model,open('../tmp/svm1.model','wb'))#保存模型
#model=pickle.load(open('../tmp/svm1.model','rb'))#加載模型
#模型評價 混淆矩陣
cm_train=metrics.confusion_matrix(y_train,model.predict(x_train))
cm_test=metrics.confusion_matrix(y_test,model.predict(x_test))
pd.DataFrame(cm_train,index=range(1,6),columns=range(1,6))
accurary_train=np.trace(cm_train)/cm_train.sum() #準(zhǔn)確率計(jì)算
# accurary_train=model.score(x_train,y_train) #使用model自帶的方法求準(zhǔn)確率
pd.DataFrame(cm_test,index=range(1,6),columns=range(1,6))
accurary_test=np.trace(cm_test)/cm_test.sum()
record=record.append(pd.DataFrame([accurary_train,accurary_test],index=['accurary_train','accurary_test']).T)
record.index=range(1,m+1)
find_k=record.sort_values(by=['accurary_train','accurary_test'],ascending=False) # 生成一個copy 不改變原變量
find_k[(find_k['accurary_train']>0.95) & (find_k['accurary_test']>0.95) & (find_k['accurary_test']>=find_k['accurary_train'])]
#len(find_k[(find_k['accurary_train']>0.95) & (find_k['accurary_test']>0.95)])
''' k=33
accurary_train accurary_test
33 0.950617 0.95122
'''
''' 計(jì)算一下整體
accurary_data
0.95073891625615758
'''
k=33
x_train=train[:,2:]*k
y_train=train[:,0].astype(int)
model=svm.SVC()
model.fit(x_train,y_train)
model.score(x_train,y_train)
model.score(datax_train,datay_train)
datax_train=data[:,2:]*k
datay_train=data[:,0].astype(int)
cm_data=metrics.confusion_matrix(datay_train,model.predict(datax_train))
pd.DataFrame(cm_data,index=range(1,6),columns=range(1,6))
accurary_data=np.trace(cm_data)/cm_data.sum()
accurary_data
REF：
《數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》
源代碼及數(shù)據(jù)需要可自?。篽ttps://github.com/Luove/Data
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯(lián)系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長非常感激您！手機(jī)微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
