机器学习笔记(12)---使用Sklearn中的SVM

svm理论太难理解了，先上个sklearn中的SVM代码提升点信心吧，理论后续补上。

import numpy as np
from sklearn import datasets
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC

def sklearn_svm_test():
    iris = datasets.load_iris()#加载sklearn自带的鸢尾花数据。一共150条数据,分三类,每类50条数据,这三类用0,1,2表示，分别表示：setosa, versicolor, virginica
    #第一条数据特征分别表示：花萼长度, 花萼宽度,花瓣长度, 花瓣宽度.
    X = iris["data"][:, (2,3)]#取"data"第行的第3和第4列，即取的花瓣长度和花瓣宽度。
    y = (iris["target"] == 2).astype( np.float64 )
    #"target"中label为2的值转成float64类型（原来是整形）。
    #另外注意是把满足条件的位置置为1.0，其它位置为0.0

    svm_clf = Pipeline(( ("scaler", StandardScaler()),
                         ("linear_svc", LinearSVC(C=1, loss="hinge")) ,))

    #X，y都是ndarray类型。
    #X的数据长这样：
    # [[ 1.4  0.2]
    # [ 1.4  0.2]
    # [ 1.3  0.2]
    # [ 1.5  0.2]
    # [ 1.4  0.2]
    # [ 1.7  0.4]
    # [ 1.4  0.3]
    # [ 1.5  0.2]
    # [ 1.4  0.2]
    # [ 1.5  0.1]
    # [……       ]]

    #y的数据长这样:
    # [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.
    # 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.
    # 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.
    # 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.
    # 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.
    # 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  1.  1.  1.  1.  1.  1.  1.  1.
    # 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
    # 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
    # 1.  1.  1.  1.  1.  1.]

    svm_clf.fit( X, y )
    res = svm_clf.predict( [[1.3, 2.6]] )

    print(res)

if __name__ == '__main__':
    #使用sklearn中的SVM算法
    sklearn_svm_test()

所以，学到到现，发现要用机器学习的算法是很简单的，直接调用sklearn中相关的接口就可以了，最多就换下参数看看不同算法的效果，难的是去理解其背后的理论基础，以及正负样本的获取和特征的选择。