《机器学习与数据挖掘》实验六

客官°小女子只卖身不卖艺 2023-10-07 21:50 32阅读 0赞

> 实验题目： 用线性核与高斯核训练支持向量机 
> 
> 实验目的： 掌握支持向量机的原理及应用 
> 
> 实验环境（硬件和软件） Anaconda/Jupyter notebook/Pycharm 
> 
> 实验内容：
> 
> 使用Sklearn，在西瓜集3.0*α*![cb00f68268b44875aca379a132762665.png][]上分别使用线性核和高斯核训练一个SVM，并比较其支持向量的差别。
> 
> **要求：**
> 
> **一、**已经给定部分代码，补充完整的代码，需要补充代码的地方已经用红色字体标注，包括：
> 
> **（****1****）****\#****补充构建****SVM****模型及训练代码**
> 
> **（****2****）****\#****补充预测代码**
> 
> **（****3****）****\#****补充得到支持向量代码**
> 
> **二、**将补充完整的代码提交，并提交实验结果；（**也可以自己重写这部分的代码提交**）

data_file_watermelon_3a = "watermelon_3a.csv"
    import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    import seaborn as sns
    from sklearn import svm
    
    df = pd.read_csv(data_file_watermelon_3a, header=None, )
    df.columns = ['id', 'density', 'sugar_content', 'label']
    df.set_index(['id'])
    X = df[['density', 'sugar_content']].values
    y = df['label'].values
    
    from sklearn import svm
    
    
    for fig_num, kernel in enumerate(('linear', 'rbf')):
        # 补充构建SVM模型及训练代码
        # initial
        svc = svm.SVC(C=1000, kernel=kernel)  # classifier 1 based on linear kernel
        # train
        svc.fit(X, y)
        # 给定新的样本X_test，预测其标签
        X_test = [[0.719, 0.103]]
        # 补充预测代码
        y_train_pred = svc.predict(X_test)
        print('The predction result:', y_train_pred)
        # get support vectors
        sv = svc.support_vectors_
        ##### draw decision zone
        plt.figure(fig_num)
        plt.clf()
    
        # plot point and mark out support vectors
        plt.scatter(X[:, 0], X[:, 1], edgecolors='k', c=y, cmap=plt.cm.Paired, zorder=10)
        plt.scatter(sv[:, 0], sv[:, 1], edgecolors='k', facecolors='none', s=80, linewidths=2, zorder=10)
        # plot the decision boundary and decision zone into a color plot
        x_min, x_max = X[:, 0].min() - 0.2, X[:, 0].max() + 0.2
        y_min, y_max = X[:, 1].min() - 0.2, X[:, 1].max() + 0.2
        XX, YY = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02))
        Z = svc.decision_function(np.c_[XX.ravel(), YY.ravel()])
        Z = Z.reshape(XX.shape)
        plt.pcolormesh(XX, YY, Z > 0, cmap=plt.cm.Paired)
        plt.contour(XX, YY, Z, colors=['k', 'k', 'k'], linestyles=['--', '-', '--'], levels=[-.5, 0, .5])
    
        plt.title(kernel)
        plt.axis('tight')
        plt.show()

>  实验截图
> 
> ![7001969e45d54ee88a6b5ab729b7ba02.png][]
> 
> ## ![b000c0e894124ab882392d847393f30f.png][] ##

[cb00f68268b44875aca379a132762665.png]: https://img-blog.csdnimg.cn/cb00f68268b44875aca379a132762665.png
[7001969e45d54ee88a6b5ab729b7ba02.png]: https://img-blog.csdnimg.cn/7001969e45d54ee88a6b5ab729b7ba02.png
[b000c0e894124ab882392d847393f30f.png]: https://img-blog.csdnimg.cn/b000c0e894124ab882392d847393f30f.png