scikit-learn使用方法-优快云博客

本文介绍如何使用支持向量机(SVM)进行数据分类，并演示了如何通过Python的pickle模块和joblib保存和加载模型。此外还展示了如何将输入数据转换为float64类型以提高计算效率，并提供了调整SVM核函数参数来改进预测效果的方法。

1.支持向量机

#_*_ coding:utf-8 _*_
from sklearn import datasets
from sklearn import svm

#装载内部测试数据集
digits = datasets.load_digits()
#设置参数
clf = svm.SVC(gamma = 0.001,C = 100.)
#训练
clf.fit(digits.data[:-1],digits.target[:-1])
#预测
print clf.predict(digits.data[-1:])

想在scikit中保存模型的话，可以使用python的内置模块pickle

#_*_ coding:utf-8 _*_
from sklearn import datasets
from sklearn import svm
import pickle
from sklearn.externals import joblib
#装载内部测试数据集
iris = datasets.load_iris()
X,y = iris.data,iris.target
#初始化模型
clf = svm.SVC()
#训练
clf.fit(X[:-1],y[:-1])
#保存模型
s = pickle.dumps(clf)
#装载模型
clf2 = pickle.loads(s)
#预测
print clf2.predict(X[-1:])

※在数据量非常大的时候，我们需要把模型保存在硬盘上，而不是字符串中

#_*_ coding:utf-8 _*_
from sklearn import datasets
from sklearn import svm
from sklearn.externals import joblib
#装载内部测试数据集
iris = datasets.load_iris()
X,y = iris.data,iris.target
#初始化模型
clf = svm.SVC()
#训练
clf.fit(X[:-1],y[:-1])
#保存模型
joblib.dump(clf,'filename.pkl')
#装载模型
clf2 = joblib.load('filename.pkl')
#预测
print clf2.predict(X[-1:])

2.如无特殊说明，输入数据都被转换成float64位，在下面的例子中X可以通过fit_transform(X)转换成float64：

#_*_ coding:utf-8 _*_

import numpy as np
from sklearn import random_projection

rng = np.random.RandomState(0)

X = rng.rand(10,2000)
Y = np.array(X)
X = np.array(X,dtype='float32')
print Y.dtype,X.dtype

transformer = random_projection.GaussianRandomProjection()
X_new = transformer.fit_transform(X)
print X_new.dtype

3.重新装载并更新参数

#_*_ coding:utf-8 _*_

import numpy as np
from sklearn.svm import SVC

rng = np.random.RandomState(0)
X = rng.rand(100,10)
y = rng.binomial(1,0.5,100)
X_test = rng.rand(5,10)

clf = SVC()
clf.set_params(kernel = 'linear').fit(X,y)

print clf.predict(X_test)

clf.set_params(kernel = 'rbf').fit(X,y)
print clf.predict(X_test)

转载于:https://www.cnblogs.com/ryuham/p/5266012.html