机器学习代码实战——SVM(支持向量机)(使用不同核函数)

本文通过使用sklearn的digits数据集,对比了SVM分类器中rbf核函数与linear核函数的效果。实验发现,linear核函数在测试集上达到了97.41%的高准确率,远超rbf核函数的42.96%。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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()

在这里插入图片描述

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

在这里插入图片描述

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)   

在这里插入图片描述
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。
在这里插入图片描述

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。
在这里插入图片描述

评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值