SVM支持向量机分类鸢尾花数据集iris及代码

SVM支持向量机分类鸢尾花数据集iris及代码，数据集有Excel、data、txt文件格式，代码有data、txt格式演示

# coding=utf-8

from sklearn import svm
import numpy as np
from sklearn import model_selection
import matplotlib.pyplot as plt
import matplotlib as mpl
from matplotlib import colors
    
# # 当使用numpy中的loadtxt函数导入该数据集时，假设数据类型dtype为浮点型，但是很明显数据集的第五列的数据类型是字符串并不是浮点型。
# # 因此需要额外做一个工作，即通过loadtxt（）函数中的converters参数将第五列通过转换函数映射成浮点类型的数据。
# # 首先，我们要写出一个转换函数：
# # 定义一个函数，将不同类别标签与数字相对应
def iris_type（s）:
    class_label={b‘setosa‘:0b‘versicolor‘:1b‘virginica‘:2}
    return class_label[s]

def train（model x_train y_train）:
    model.fit（x_trainy_train.ravel（））

def show_accuracy（a b tip）:
    acc = （a.ravel（） == b.ravel（））
    print（“%s Accuracy:%.3f“%（tip np.mean（acc）））

def print_accuracy（model x_train y_trainx_test y_test ）:
    print（‘SVM-输出训练集的准确率为:‘ model.score（x_train y_train））
    print（“SVM-输出测试集的准确率为:“ model.score（x_test y_test））
    #原始结果与预测结果进行对比
    show_accuracy（model.predict（x_train） y_train ‘traing data‘）
    show_accuracy（model.predict（x_test） y_test ‘testing data‘）
    #计算决策函数的值
    print（‘decision_function:\n‘ model.decision_function（x_train））

def draw（model x）:
    x1_min x1_max = x[: 0].min（） x[: 0].max（）  # 第0列的范围  x[: 0] “：“表示所有行，0表示第1列
    x2_min x2_max = x[: 1].min（） x[: 1].max（）  # 第1列的范围  x[: 0] “：“表示所有行，1表示第2列
    x1 x2 = np.mgrid[x1_min:x1_max:200j x2_min:x2_max:200j]  # 生成网格采样点（用meshgrid函数生成两个网格矩阵X1和X2）
    grid_test = np.stack（（x1.flat x2.flat） axis=1）  # 测试点，再通过stack（）函数，axis=1，生成测试点
    # .flat 将矩阵转变成一维数组 （与ravel（）的区别：flatten：返回的是拷贝

    grid_hat = model.predict（grid_test）  # 预测分类值
    grid_hat = grid_hat.reshape（x1.shape）  # 使之与输入的形状相同

    # # 2.指定默认字体
    # mpl.rcParams[‘font.sans-serif‘] = [u‘SimHei‘]
    # mpl.rcParams[‘axes.unicode_minus‘] = False

    # 3.绘制
    cm_light = mpl.colors.ListedColormap（[‘#A0FFA0‘ ‘#FFA0A0‘ ‘#A0A0FF‘]）
    cm_dark = mpl.colors.ListedColormap（[‘g‘ ‘r‘ ‘b‘]）

    # alpha = 0.5
    plt.pcolormesh（x1 x2 grid_hat cmap=cm_light）  # 预测值的显示
    # plt.plot（x[: 0] x[: 1] ‘o‘ alpha=alpha color=‘blue‘ markeredgecolor=‘k‘）
    plt.scatter（x[: 0] x[: 1] c=np.squeeze（y） edgecolor=‘k‘ s=50 cmap = cm_dark ）  # 圈中测试集样本
    plt.scatter（x_test[: 0] x_test[: 1] s=120 facecolors=‘none‘ zorder=10）  # 圈中测试集样本
    plt.xlabel（‘sepal length‘ fontsize=13）
    plt.ylabel（‘sepal width‘ fontsize=13）
    plt.xlim（x1_min x1_max）
    plt.ylim（x2_min x2_max）
    plt.title（‘SVM feature‘ fontsize=15）
    # plt.grid（）
    plt.show（）
    
if __name__ == ‘__main__‘:
    #1.数据准备
    #1.1加载数据
    #使用numpy中的loadtxt读入数据文件
    filepath=‘iris2.txt‘  # 数据文件路径
    data=np.loadtxt（filepathdtype=floatdelimiter=Noneconverters={4:iris_type}）

    #1.2数据分割
    X y = np.split（data （4）axis=1）  # np.split 按照列（axis=1）进行分割，从第四列开始往后的作为y 数据，之前的作为X 数据。函数 split（数据，分割位置，轴=1（水平分割） or 0（垂直分割））。
    x = X[:0:2]  # 在 X中取前两列作为特征（为了后期的可视化画图更加直观，故只取前两列特征值向量进行训练）

    x_trainx_testy_trainy_test=model_selection.tr

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3867  2020-09-29 18:53  SVM支持向量机分类鸢尾花数据集iris及代码\iris.csv

     文件       4969  2020-09-29 18:37  SVM支持向量机分类鸢尾花数据集iris及代码\iris.txt

     文件        811  2020-09-29 19:39  SVM支持向量机分类鸢尾花数据集iris及代码\iris2.data

     文件       3808  2020-09-30 08:05  SVM支持向量机分类鸢尾花数据集iris及代码\iris2.txt

     文件       6015  2020-09-29 19:25  SVM支持向量机分类鸢尾花数据集iris及代码\svm01.py

     文件       4526  2020-09-29 19:39  SVM支持向量机分类鸢尾花数据集iris及代码\svm02.py

     目录          0  2020-09-30 08:22  SVM支持向量机分类鸢尾花数据集iris及代码

----------- ---------  ---------- -----  ----

                23996                    7