数学建模之Python-支持向量回归（SVM)

前言：本文共介绍了svm的两个重要应用1.分类问题2.回归问题一、支持向量机的分类问题用的时候直接换xy数据就行了#程序文件Pex19_1.pyfrom sklearn import datasets, svm, metricsfrom sklearn.model_selection import GridSearchCVimport numpy as npiris=datasets.load_i

Cabbage coder

9732人浏览 · 2021-08-22 12:27:33

Cabbage coder · 2021-08-22 12:27:33 发布

前言：

本文共介绍了svm的两个重要应用
1.分类问题
2.回归问题

一、支持向量机的分类问题

在这里插入图片描述

在这里插入图片描述
用的时候直接换xy数据就行了

#程序文件Pex19_1.py
from sklearn import datasets, svm, metrics
from sklearn.model_selection import GridSearchCV
import numpy as np
iris=datasets.load_iris()
print(iris)
x=iris.data; y=iris.target
parameters = {'kernel':('linear','rbf'), 'C':[1,10,15]}
svc=svm.SVC(gamma='scale')
clf=GridSearchCV(svc,parameters,cv=5)  #cv为交叉验证参数，为5折
clf.fit(x,y)
print("最佳的参数值:", clf.best_params_)
print("score：",clf.score(x,y))
yh=clf.predict(x); print(yh) #显示分类的结果
print("预测准确率：",metrics.accuracy_score(y,yh))
print("误判的样本点为:",np.where(yh!=y)[0]+1)

在这里插入图片描述

from sklearn import datasets, svm
from sklearn.model_selection import GridSearchCV
import numpy as np
iris=datasets.load_iris()
x=iris.data; y=iris.target
clf=svm.LinearSVC(C=1,max_iter=10000)
clf.fit(x,y); yh=clf.predict(x); print(yh)
print("预测的准确率：",clf.score(x,y))

在这里插入图片描述

二、支持向量回归分析

在这里插入图片描述

#程序文件Pex19_2.py
import numpy as np
import pylab as plt
from sklearn.svm import SVR

np.random.seed(123)
x=np.arange(200).reshape(-1,1)
y=(np.sin(x)+3+np.random.uniform(-1,1,(200,1))).ravel()

model = SVR(gamma='auto'); print(model)
model.fit(x,y); pred_y = model.predict(x)
print("原始数据与预测值前15个值对比：")
for i in range(15): print(y[i],pred_y[i])

plt.rc('font',family='SimHei'); plt.rc('font',size=15)
plt.scatter(x, y, s=5, color="blue", label="原始数据")
plt.plot(x, pred_y, '-r*',lw=1.5, label="预测值")
plt.legend(loc=1)

score=model.score(x,y); print("score:",score)
ss=((y-pred_y)**2).sum()  #计算残差平方和
print("残差平方和：", ss)
plt.show()