支持向量机实现分类案例

#从sklearn.datasets里导人手写体数字加载器。
from sklearn.datasets import load_digits
#从通过数据加载器获得手写体数字的数码图像数据并储存在digits变量中。
digits = load_digits()
#检视数据规模和特征维度。
digits.data.shape

(1797, 64)

#从sklearn.cross validation中导人train test_ split 用于数据分割。
from sklearn.cross_validation import train_test_split
#随机选取75%的数据作为训练样本;其余25%的数据作为测试样本。
x_train, x_test, y_train, y_test = train_test_split (digits.data, digits.
target, test_size = 0.25, random_state = 33)
#分别检视训练与测试数据规模。
y_train.shape

(1347,)

y_test.shape

(450,)

#从sklearn. preprocessing里导人数据标准化模块。
from sklearn.preprocessing import StandardScaler
#从sklearn.svm里导人基于线性假设的支持向量机分类器LinearSVC.
from sklearn.svm import LinearSVC
#从仍然需要对训练和测试的特征数据进行标准化。
ss = StandardScaler ()
x_train = ss.fit_transform(x_train)
x_test = ss.transform(x_test)
#初始化线性假设的支持向量机分类器LinearSVC.
lsvc = LinearSVC()
#进行模型训练
lsvc.fit(x_train, y_train)
#利用训练好的模型对测试样本的数字类别进行预测，预测结果储存在变量y_predict中。
y_predict = lsvc.predict (x_test)

#使用模型自带的评估函数进行准确性测评。
print('The Accuracy of Linear SVC is', lsvc.score (x_test, y_test))

The Accuracy of Linear SVC is 0.9533333333333334

#依然使用sklearn .metrics里面的classification_ report 模块对预测结果做更加详细的分析。
from sklearn .metrics import classification_report
print (classification_report(y_test, y_predict, target_names = digits.target_names.astype (str)))

             precision    recall  f1-score   support

          0       0.92      1.00      0.96        35
          1       0.96      0.98      0.97        54
          2       0.98      1.00      0.99        44
          3       0.93      0.93      0.93        46
          4       0.97      1.00      0.99        35
          5       0.94      0.94      0.94        48
          6       0.96      0.98      0.97        51
          7       0.92      1.00      0.96        35
          8       0.98      0.84      0.91        58
          9       0.95      0.91      0.93        44

avg / total       0.95      0.95      0.95       450