机器学习代码实战——SVM(支持向量机)(使用不同核函数)

最新推荐文章于 2025-01-05 16:06:51 发布

程旭员

最新推荐文章于 2025-01-05 16:06:51 发布

阅读量3.2k

点赞数 4

CC 4.0 BY-SA版权

分类专栏：机器学习代码实战文章标签：支持向量机 SVM 使用不同核函数机器学习

本文链接：https://blog.youkuaiyun.com/weixin_37763870/article/details/105280331

机器学习代码实战专栏收录该内容

16 篇文章

订阅专栏

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。

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