使用sklearn完成4种基本的分类算法：朴素贝叶斯算法、决策树算法、人工神经网络、支持向量机算法

实验目的

1. 巩固4种基本的分类算法的算法思想：朴素贝叶斯算法，决策树算法，人工神经网络,支持向量机算法；
2. 能够使用现有的分类器算法代码进行分类操作
3. 学习如何调节算法的参数以提高分类性能；

实验内容及步骤

利用现有的分类器算法对文本数据集进行分类
实验步骤：
1．了解文本数据集的情况并阅读算法代码说明文档；
2．利用文本数据集中的训练数据对算法进行参数学习；
3．利用学习的分类器对测试数据集进行测试；
4．统计测试结果；

利用现有的分类器算法对文本数据集进行分类
实验步骤：
1．了解文本数据集的情况并阅读算法代码说明文档；
2．利用文本数据集中的训练数据对算法进行参数学习；
3．利用学习的分类器对测试数据集进行测试；
4．统计测试结果；

实验数据说明

汽车评估数据集包含1728个数据，其中训练数据1350，测试数据 个。每个数据包含6个属性，所有的数据分为4类：
Class Values: unacc, acc, good, vgood
Attributes:
buying: vhigh, high, med, low.
maint: vhigh, high, med, low.
doors: 2, 3, 4, 5，more.
persons: 2, 4, more.
lug_boot: small, med, big.
safety: low, med, high.
其中Attributes是指它的属性子集。而其属性子集包括了六类，分别是购买（buying），维修（maint），车门数（doors），承载人数（Persons），载行李量（Luggage boot），安全性（safety)。每种属性又分成了相应的子集，分别为高中低或者是能承载的数量。下图是提供该数据集的网站截图。

实验过程

1. 首先将所需要的库和数据集导入，分为训练集和测试集

from sklearn import svm,tree
from sklearn.naive_bayes import GaussianNB,MultinomialNB,BernoulliNB
from sklearn.metrics import classification_report
from sklearn.neural_network import MLPClassifier

import numpy as np



def iris_type1(s):
    Class_Values = {b'unacc':0, b'acc':1, b'good':2, b'vgood':3}
    return Class_Values[s]

def iris_type2(s):
    buying = {b'vhigh': 0, b'high': 1, b'med': 2, b'low': 3}
    return buying[s]

def iris_type3(s):
    maint =  {b'vhigh': 0, b'high': 1, b'med': 2, b'low': 3}
    return maint[s]

def iris_type4(s):
    doors = {b'2':0, b'3':1, b'4':2, b'5more':3}
    return doors[s]

def iris_type5(s):
    persons = {b'2':0, b'4':1, b'more':2}
    return persons[s]

def iris_type6(s):
    lug_boot = {b'small':0, b'med':1, b'big':2}
    return lug_boot[s]

def iris_type7(s):
    safety = {b'low':0, b'med':1, b'high':2}
    return safety[s]


path1 = u'D:/大三上/人工智能导论/实验/dataset/test.txt'  # 数据文件路径
path2 = u'D:/大三上/人工智能导论/实验/dataset/predict.txt'
train = np.loadtxt(path1,dtype=int,delimiter=',',converters={0: iris_type3, 1: iris_type3, 2: iris_type4,