当前位置: 首页 > news >正文

90字体设计谷歌seo和百度seo区别

90字体设计,谷歌seo和百度seo区别,wordpress wpenqueuescript,修改wordpress媒体urlSklearn-使用SVC对iris数据集进行分类 iris数据集的加载训练svc模型输出混淆矩阵和分类报告使用Pipeline管道完成固定操作不使用Pipeline使用Pipeline 使用SVC对iris数据集进行分类预测 涉及内容包含: 数据集的加载,训练集和测试集的划分训练svc模型,对测试集的预测…

Sklearn-使用SVC对iris数据集进行分类

  • iris数据集的加载
  • 训练svc模型
  • 输出混淆矩阵和分类报告
  • 使用Pipeline管道完成固定操作
    • 不使用Pipeline
    • 使用Pipeline

使用SVC对iris数据集进行分类预测
涉及内容包含:

  • 数据集的加载,训练集和测试集的划分
  • 训练svc模型,对测试集的预测
  • 输出混淆矩阵和分类报告
  • 使用Pipeline执行操作

iris数据集的加载

加载数据集
用DataFrame展示数据
划分训练集和测试集合

from sklearn.datasets import load_iris
iris = load_iris()
iris.keys()
dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename'])
data = iris['data']
target = iris['target']# 以DataFrame显示所有的数据
import pandas as pd
df = pd.DataFrame(data,columns=iris['feature_names']) 
df['target'] = target # 添加target列
sepal length (cm)sepal width (cm)petal length (cm)petal width (cm)target
05.13.51.40.20
14.93.01.40.20
24.73.21.30.20
34.63.11.50.20
45.03.61.40.20
..................
1456.73.05.22.32
1466.32.55.01.92
1476.53.05.22.02
1486.23.45.42.32
1495.93.05.11.82

150 rows × 5 columns

# 划分数据集:训练集和测试集
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(data,target,test_size=0.3) # 测试集占30%。训练集70%

训练svc模型

  • 导入库文件
  • 初始化svc
  • 训练svc
from sklearn.svm import SVC
# 初始化SVC
svc = SVC()
# 训练
svc.fit(x_train,y_train)
# 查看训练效果
print("训练集的精度",svc.score(x_train,y_train))
# 对测试集预测的精度
print("对测试集的预测效果:",svc.score(x_test,y_test))# 对测试集进行预测
y_pre = svc.predict(x_test)
# 表格对比预测与实际结果
df2 = pd.DataFrame(data = {'predict':y_pre,'true':y_test
})
训练集的精度 0.9714285714285714
对测试集的预测效果: 0.9555555555555556

输出混淆矩阵和分类报告

  • 输出混淆矩阵:查看每个类预测的成功与失败的情况
  • 输出分类报告:查看分类的性能
from sklearn.metrics import confusion_matrix# 输出混淆矩阵
con_matrix = confusion_matrix(y_test,y_pre)
print(con_matrix)
[[12  0  0][ 0 15  1][ 0  1 16]]
from sklearn.metrics import classification_report
# 输出分类报告
report = classification_report(y_test,y_pre,target_names=iris['target_names'])
print(report)
              precision    recall  f1-score   supportsetosa       1.00      1.00      1.00        12versicolor       0.94      0.94      0.94        16virginica       0.94      0.94      0.94        17accuracy                           0.96        45macro avg       0.96      0.96      0.96        45
weighted avg       0.96      0.96      0.96        45

使用Pipeline管道完成固定操作

  • 增加对数据的归一化处理
  • 将对数据的归一化处理和训练处理放在pipeline中完成

不使用Pipeline

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler iris = load_iris()
data = iris['data']
target = iris['target']# 划分数据集:训练集和测试集
x_train,x_test,y_train,y_test = train_test_split(data,target,test_size=0.3,random_state=42,stratify=target) # 测试集占30%。训练集70%# 特征变量标准化
# 由于支持向量机可能受特征变量取值范围影响,训练集与测试集的特征变量标准化
scaler = StandardScaler().fit(x_train)
x_train_s = scaler.transform(x_train)
x_test_s = scaler.transform(x_test)# 训练模型
svm = SVC()
svm.fit(x_train_s, y_train)
print("精确度:",svm.score(x_test_s, y_test))
精确度: 0.9333333333333333

使用Pipeline

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVCfrom sklearn.preprocessing import StandardScaler 
from sklearn.pipeline import Pipeline
# from sklearn.pipeline import make_pipelineiris = load_iris()
data = iris['data']
target = iris['target']# 划分数据集:训练集和测试集
x_train,x_test,y_train,y_test = train_test_split(data,target,test_size=0.3,random_state=42,stratify=target) # 测试集占30%。训练集70%# 构造管道
pipe = Pipeline([('std_scaler',StandardScaler()),('svc',SVC())]
)
# 使用管道
pipe.fit(x_train,y_train)
# 预测
print("精度为:",pipe.score(x_test,y_test))
精度为: 0.9333333333333333
http://www.qdjiajiao.com/news/9248.html

相关文章:

  • 建筑网站汇总semifinal
  • destoon 网站搬家手机百度app安装下载
  • 如何编辑 wordpress 主题东莞seo网站优化排名
  • 校园云网站建设营销推广方案模板
  • 五屏网站建设平台重庆二级站seo整站优化排名
  • 建站之星多语言安徽网站开发哪家好
  • 公司网站布局磁力云搜索引擎入口
  • b2c电子商务网站分析网站建设策划方案
  • 新河网站快排seo谷歌推广怎么做
  • 网站建设教学视频百度云盘常州网站推广
  • 赣州人才网招聘信息seo广告投放是什么意思
  • 网站建设实践报告小结网站seo标题优化技巧
  • 中国人民解放军战略支援部队网站建设与优化
  • 国内建站平台排名正规seo关键词排名哪家专业
  • 温州网络推广平台建设seo短视频入口
  • 监控网站建设需要多少钱网站广告调词平台
  • 什么大型网站用python做的宁波seo教程网
  • wordpress 学校模版抖音seo什么意思
  • 东莞疫情最新消息今天中高风险区北京搜索排名优化
  • 信阳市工程建设信息网站网页制作成品模板网站
  • 网络规划设计师考试通过率seo网站推广与优化方案
  • 个人域名注册入口天津百度整站优化服务
  • 快三网站开发百度推广业务电话
  • 息县网站建设国内最新十大新闻
  • 精品网站做爆款以品牌推广为目的的广告网络平台
  • 龙口有没有做网站的充电宝seo关键词优化
  • 织梦优美文章阅读网站源码如何推广一个项目
  • wordpress 点赞 用户宁波正规优化seo公司
  • 聊城建设工程质量信息网站优化推广服务
  • 网页ip代理seo技术培训机构