元音數(shù)據(jù)SVM分類

數(shù)據(jù)挖掘技術(shù)與應(yīng)用元音數(shù)據(jù)SVM分類實訓(xùn)實訓(xùn)目標(biāo)理解SVM分類算法的核心步驟。掌握支持向量機的Python實現(xiàn)。通過數(shù)據(jù)集的部分樣本訓(xùn)練構(gòu)造SVM模型并訓(xùn)練。調(diào)用構(gòu)建好的模型對測試集樣本進行預(yù)測。實訓(xùn)環(huán)境使用3.6版本的Python。使用jupyternotebook或PyCharm2018社區(qū)版作為代碼編輯器。numpy、pandas、sklearn實訓(xùn)數(shù)據(jù)數(shù)據(jù)由三維數(shù)組組成：元音數(shù)據(jù)[揚聲器，元音，輸入]。揚聲器由0-89整數(shù)索引。（實際上，有十五個單獨的揚聲器，每個揚聲器說六次元音。）這些元音由0-10的整數(shù)索引。對于每種發(fā)音，都有十個浮點輸入值，數(shù)組索引為0-9。問題是只使用來自“揚聲器”0-47的數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)，然后在揚聲器48-89上測試網(wǎng)絡(luò)，報告測試集中正確分類的數(shù)量。連接主義的問題分為兩類，可能的和不可能的。他對后者很感興趣，因為后者意味著沒有確切解決方案的問題。因此，這里的問題不是看網(wǎng)絡(luò)訓(xùn)練的速度有多快（盡管這很重要），而是要使性能欠佳的性能最大化實訓(xùn)內(nèi)容導(dǎo)入必要的庫。導(dǎo)入數(shù)據(jù)集。獲取特征值。獲取標(biāo)簽。切分?jǐn)?shù)據(jù)集合。創(chuàng)建模型。訓(xùn)練模型。輸出結(jié)果。元音數(shù)據(jù)SVM分類實現(xiàn)代碼導(dǎo)入數(shù)據(jù)包importpandasaspdfromsklearn.svmimportSVCfromsklearn.model_selectionimporttrain_test_split數(shù)據(jù)說明數(shù)據(jù)由三維數(shù)組組成：元音數(shù)據(jù)[揚聲器，元音，輸入]。揚聲器由0-89整數(shù)索引。（實際上，有十五個單獨的揚聲器，每個揚聲器說六次元音。）這些元音由0-10的整數(shù)索引。對于每種發(fā)音，都有十個浮點輸入值，數(shù)組索引為0-9。問題是只使用來自“揚聲器”0-47的數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)，然后在揚聲器48-89上測試網(wǎng)絡(luò)，報告測試集中正確分類的數(shù)量。連接主義的問題分為兩類，可能的和不可能的。他對后者很感興趣，因為后者意味著沒有確切解決方案的問題。因此，這里的問題不是看網(wǎng)絡(luò)訓(xùn)練的速度有多快（盡管這很重要），而是要使性能欠佳的性能最大化導(dǎo)入數(shù)據(jù)集df=pd.read_csv(r'data\vowel.data',sep="\\s+",header=None)獲取特征值X=df.iloc[:,3:13]獲取標(biāo)簽Y=df.iloc[:,13]切分?jǐn)?shù)據(jù)集合x_train,x_test,y_train,y_test=train_test_split(X,Y,test_size=0.3,random_state=6)創(chuàng)建模型model=SVC(kernel='linear',class_weight='balanced')訓(xùn)練模型model=model.fit(x_train,y_train)輸出結(jié)果print("Train_score:{0},Test_score:{1}".forma