随笔9

# -*- coding: utf-8 -*-
'''
花的种类的SVM
'''
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt
import numpy as np


iris = datasets.load_iris()
dat_data = iris.data
dat_label = iris.target
data = []
for x1, x2 in zip(dat_data, dat_label):
    data.append(list(x1))
j = 0
for i in dat_label:
    data[j].append(i)
    j = j+1
print(data)
a = 0
for i in data:
    a = a + 1
print('花的总样本数：{}'.format(a))

'''
split(数据，分割位置，轴（axis）=1（纵向分割） or 0（横向分割）)
这里的分割位置是指 0、1、2、3 列为一部分，第 4 列为另一部分进行分割。
当axis = 1 时，按列分割
当axis = 0 时，按行分割
'''
x, y = np.split(data, (4,), axis=1)
# 行取全部，列取前3列，“:3”的意思是指1、2、3列。
x = x[:, :2]
x_trin, x_test, y_trin, y_test = train_test_split(x, y, random_state=np.random.randint(0, 300), train_size=0.6)
'''
参数解释：sklearn.model_selection.train_test_split()
train_data：所要划分的样本特征集

train_target：所要划分的样本结果

test_size：样本占比，如果是整数的话就是样本的数量,如果赋予值的话取其补的结果来计算。

random_state：是随机数的种子。

随机数种子：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。
比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。
随机数的产生取决于种子，随机数和种子之间的关系遵从以下两个规则：种子不同，产生不同的随机数；种子相同，即使实例不同也产生相同的随机数。
'''

clf = svm.SVC(C=0.8, kernel='rbf', gamma=20, decision_function_shape='ovr')
clf.fit(x_trin, y_trin.ravel())
# print(clf.score(x_trin, y_trin))
y_hat = clf.predict(x_trin)
b = 0
for i in x_trin:
    b = b + 1
print('训练集的总样本数：{}'.format(b))
print('训练集正确分类的样本数：{}'.format(accuracy_score(y_hat, y_trin, normalize=False)))
print('训练集的正确率：{}'.format(accuracy_score(y_hat, y_trin, normalize=True)))

# print(clf.score(x_test, y_test))
y_hat1 = clf.predict(x_test)
c = 0
for i in x_test:
    c = c + 1
print('测试集的总样本数：{}'.format(c))
print('测试集正确分类的样本数：{}'.format(accuracy_score(y_hat1, y_test, normalize=False)))
print('测试集的正确率：{}'.format(accuracy_score(y_hat1, y_test, normalize=True)))

我曾经跨过山和大海，也穿过人山人海，我曾经拥有着的一切，转眼都飘散如烟，我曾经失落失望失掉所有方向，直到看见平凡才是唯一的答案。
——韩寒《平凡之路》