正文

如何用Python轻松实现SVM分类器：实例代码详解与实战案例

/0 浏览量
0510

SVM（支持向量机）是一种强大的机器学习算法，尤其在分类问题上表现出色。Python中，我们可以使用scikit-learn库轻松实现SVM分类器。以下将详细介绍如何使用Python实现SVM分类器，并提供一个实战案例。

SVM基础

SVM通过找到一个最优的超平面来分隔数据集中的两类样本。这个超平面是数据集中最近距离超平面的样本点（支持向量）所决定的。

安装scikit-learn

首先，确保你的Python环境中已经安装了scikit-learn库。如果没有安装，可以通过以下命令进行安装：

pip install scikit-learn

导入必要的库

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import classification_report, confusion_matrix

加载数据集

这里我们使用scikit-learn自带的鸢尾花（Iris）数据集作为例子。

iris = datasets.load_iris()
X = iris.data
y = iris.target

数据预处理

为了提高模型的性能，我们需要对数据进行标准化处理。

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3, random_state=42)

创建SVM分类器

我们使用SVC类创建一个SVM分类器，并设置核函数为'rbf'。

svm_classifier = SVC(kernel='rbf', gamma='scale')

训练模型

使用训练集数据来训练SVM分类器。

svm_classifier.fit(X_train, y_train)

预测和评估

使用训练好的模型对测试集进行预测，并评估模型的性能。

y_pred = svm_classifier.predict(X_test)
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))

实战案例：手写数字识别

现在，我们将使用MNIST手写数字数据集来展示如何使用SVM进行图像识别。

from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载数据集
mnist = fetch_openml('mnist_784', version=1)
X, y = mnist["data"], mnist["target"]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 数据标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 创建SVM分类器
svm_classifier = SVC(kernel='rbf', gamma='scale')

# 训练模型
svm_classifier.fit(X_train_scaled, y_train)

# 预测和评估
y_pred = svm_classifier.predict(X_test_scaled)
print(f"Accuracy: {accuracy_score(y_test, y_pred)}")

通过以上步骤，我们可以轻松地在Python中使用SVM分类器。当然，SVM还有许多参数可以调整，例如核函数、C值等，这些都可以根据具体问题进行调整以获得最佳性能。

-- 展开阅读全文 --