机器学习代码实战——SVM(支持向量机)(使用不同核函数)

1.实验目的

1.使用sklearn的digits数据集（即从sklearn.datasets导入load_digits）
2.训练SVM分类器，然后，使用诸如rbf和linear的不同内核来测量模型的准确性。
3. 使用正则化和伽玛参数进一步调整模型，并尝试获得最高准确度得分 使用80％的样本作为训练数据量

2.导入必要模块

import pandas as pd
from sklearn.datasets import load_digits

3.用pandas处理数据

digits = load_digits() #加载数据
df = pd.DataFrame(digits.data, digits.target)  #构建df（数据、索引）
df.head()

df['target'] = digits.target   #增加一个标签字段
df.head()

4.拟合+预测

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(df.drop('target',axis='columns'),df.target,test_size=0.3)

4.1.使用rbf核函数

from sklearn.svm import SVC

rbf_model = SVC(kernel='rbf')
rbf_model.fit(X_train,y_train)   #用训练数据拟合
rbf_model.score(X_test,y_test)   

使用rbf核函数测试准确率只有42.96%，可见该核函数效果不佳。

4.2.使用linear核函数

linear_model = SVC(kernel='linear')
linear_model.fit(X_train, y_train)
linear_model.score(X_test,y_test)

使用linear核函数测试准确率达到97.41%，可见该核函数效果很好。