最近一直在看文本挖掘這塊兒，看了許多機(jī)器學(xué)習(xí)相關(guān)的資料，在這里做個筆記分享給大家，有供自己日后學(xué)習(xí)瀏覽。 碼字不易，喜歡請點贊！！！

這篇推文主要介紹Python實現(xiàn)SVM的案例，后期會更新加強(qiáng)版。

這里主要講的是使用Python的Sklearn包實現(xiàn)SVM樣本分類，而不包括SVM的理論推導(dǎo)，我在看SVM的理論的時候看了很多網(wǎng)上的博客，有很多都寫的不錯，這里推薦，July寫的支持向量機(jī)通俗導(dǎo)論（理解SVM的三層境界），而且作者將其制作成了pdf版本，可以下載下來觀看。這篇博客是July12年開始寫的，并且一直更新完善，所以到現(xiàn)在真的是通俗易懂。這里附上網(wǎng)址：https://blog.csdn.net/v_july_v/article/details/7624837

理論部分這篇博客真的夠！！!

Sklearn是Python專門用于機(jī)器學(xué)習(xí)的包，安裝方法網(wǎng)上有很多，這里也不介紹了，有問題可以隨時進(jìn)交流群詢問。

這里就開始一步步講解，在實踐過程中的具體步驟。

一般來說機(jī)器學(xué)習(xí)的實踐流程包括：導(dǎo)入數(shù)據(jù)->數(shù)據(jù)標(biāo)準(zhǔn)化->模型選擇->模型的訓(xùn)練測試->保存模型

首先，導(dǎo)入數(shù)據(jù)這塊，你如果使用自己的數(shù)據(jù)集的話，可以用numpy或者pandas導(dǎo)入。本文這里直接使用Sklearn自帶的經(jīng)典的iris鳶尾花數(shù)據(jù)集。

導(dǎo)入數(shù)據(jù)之后，對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理（由于這里采用的是自帶的鳶尾花數(shù)據(jù)集，已經(jīng)不需要標(biāo)準(zhǔn)化就能很好的預(yù)測了，使用自己的樣本時，這步非常重要）。

在對數(shù)據(jù)標(biāo)準(zhǔn)化處理之后，這里對用分類的數(shù)據(jù)進(jìn)行切分，分為訓(xùn)練集和樣本集。

模型選擇：Sklearn中已經(jīng)實現(xiàn)了所有基本的機(jī)器學(xué)習(xí)方法，包括:

本文選用的模型為支持向量機(jī)（SVM的參數(shù)很多，主要是設(shè)置懲罰參數(shù)C，后期的加強(qiáng)版會介紹，這里使用默認(rèn)參數(shù)C=1）：

使用模型進(jìn)行訓(xùn)練和測試，然后輸出測試后的精度：

可以看到只有第二行第一個有錯誤，其他都是準(zhǔn)確的。

保存模型：在訓(xùn)練出滿意的模型之后，可已經(jīng)模型保存，以便下次使用，Python中保存模型的方法有兩種，第一種是pickle包，第二種是Sklearn中的joblib方法，官方文檔推薦的是使用joblib方法，因為該方法使用了多進(jìn)程，速度更快，這里也就展示joblib方法。

可以看到簡單的兩個語句就實現(xiàn)了模型的保存與再調(diào)用。

簡簡單單12行代碼你就完成了機(jī)器學(xué)習(xí)的實踐，是不是很sixsixsxi！！！

ps:對于Sklearn的基本使用方法就這些了，后期會分享進(jìn)階版，包括但不限于模型的函數(shù)主要參數(shù)的設(shè)置以及交叉驗證。