头歌机器学习-支持向量机

支持向量机回归模型及其应用
任务描述
本关任务：基于关卡6的数据集，构建支持向量机回归模型，输出其拟合优度，并针对测试数据AT=28.4、V=50.6、AP=1011.9、RH=80.54，预测其PE值。（备注：需对采用的核函数进行说明，比如高斯核、线性核、多项式核或者sigmoid核等）
# -*- coding: utf-8 -*-
#基于上一关的数据集，构建支持向量机回归模型（采用线性核函数），返回计算结果模型的拟合优度r，
#并针对测试数据AT=28.4、V=50.6、AP=1011.9、RH=80.54，预测其PE值。
def return_values():
    import numpy as np
    import pandas as pd
    from sklearn import svm
    data=pd.read_excel('发电场数据.xlsx')
    x=data.iloc[:,0:4].values
    y=data.iloc[:,4].values
    kernel = ['linear','poly','rbf','sigmoid']
    list1 = [] #保存针对训练数据获得的模型准确度
    list2 = [] #保存预测值
    for i in kernel:
        clf = svm.SVR(kernel=i)
        clf.fit(x, y)
        x1 = np.array([28.4,50.6,1011.9,80.54]).reshape(1,4)
        list1.append(clf.score(x,y))
        list2.append(clf.predict(x1))
    result = {'核函数':kernel,'模型准确度':list1,'预测值':list2}
    result = pd.DataFrame(result)
    r=result['模型准确度'].max()
    PE=result['预测值'].min()
    return(r,PE)

支持向量机分类模型及其应用
任务描述
本关任务：基于关卡2基础上，取数据集前600条记录作为训练数据，后90条记录作为测试数据，构建支持向量机模型，输出其模型准确率和预测准确率。
#********** Begin **********#
#在上一关基础，对经过缺失值填充、数值变量标准化后的数据集，取前600条记录作为训练数据，后90条记录作为测试数据
#构建支持向量机模型，返回计算结果模型准确率rv和预测准确率r
def return_values():
    import numpy as np
    X1=np.load('X1.npy') #经过缺失值填充、数值变量标准化后的数据集，numpy数组690*15
    Y=np.load('Y.npy')   #因变量，numpy数组，690个元素
    from sklearn.svm import SVC
    x1 = X1[:600, :]
    y1 = Y[:600]
    x2 = X1[600:, :]
    y2 = Y[600:]
    clf = SVC(kernel='rbf')
    clf.fit(x1, y1)
    rv = clf.score(x1, y1)
    r = clf.score(x2, y2)
    return(rv,r)
#********** End **********#
from sklearn import svm # 加载sklearn库来调用svm算法
from sklearn.datasets import load_iris #加载sklearn库中的数据集
from sklearn.model_selection import train_test_split #划分测试集训练集
 

基于支持向量机模型的应用案例
#1.加载数据集
################# Begin #################
datas = load_iris()
################# End #################
data_x = datas.data #定义数据
data_y = datas.target #定义标签
 
#2.划分训练集和测试集
################# Begin #################
x_train,x_test,y_train,y_test = train_test_split(data_x,data_y,test_size=0.3)
################# End #################
 
#3.调用svm函数
################# Begin #################
from sklearn import svm;
clf = svm.SVC();
################# End #################
 
clf = clf.fit(x_train,y_train) #开始训练svm模型
a = clf.predict(x_test) #开始测试
 
cnt = 0
for i in range(len(y_test)):  #评价预测的结果
    if a[i] == y_test[i]:
        cnt +=1
print(cnt/len(a))

第1关：支持向量机算法详解
什么是支持向量机？

A、
支持向量机是一种用于分类和回归的监督学习算法，目的是在特征空间中找到间隔最大的超平面。

B、
支持向量机是一种快速可靠的机器学习线性分类器，能在有限的数据量下达到很好的性能。

C、
SVM算法的原理就是找到一个分割超平面，它能把数据正确的分类，并且间距最大。

2、

支持向量机包含哪几种模型？

A、
硬间隔支持向量机

B、
软间隔支持向量机

C、
非线性支持向量机

3、

SVM是否只能处理二分类任务？

B、
否

4、

为什么引入核函数？

A、
SVM核函数的引用主要将非线性分类问题转换为线性分类问题

5、

SVM有哪些核函数？

A、
线性核函数

B、
多项式核函数

C、
高斯核函数
第1关：支持向量机简介
训练SVM的最小时间复杂度为O(n2)，那么一下哪种数据集不适合用SVM?

A、
大数据集
支持向量是那些最接近决策平面的数据点。
A、对
SVM在下列那种情况下表现糟糕：
C、含噪声数据与重叠数据点
如果我使用数据集的全部特征并且能够达到100%的准确率，但在测试集上仅能达到70%左右，这说明：
C、
过拟合
如果使用较小的C（C趋于0），则：
A、误分类
利用sklearn构建支持向量机模型