头歌  第1关：支持向量机算法详解

头歌  第1关：利用sklearn构建支持向量机模型

from sklearn import svm # 加载sklearn库来调用svm算法

import joblib #基于sklearn的SVM模型保存与调用

X = [[0, 0], [1, 1]] #输入的数据
y = [0, 1]  #输入数据对应的类别(标签)
#1.调用sklearn库实现svm算法
################# Begin #################
# 创建SVM分类器对象，使用线性核函数
clf = svm.SVC(kernel='linear', C=1.0)
################# End #################

#2.开始训练
################# Begin #################
# 使用fit方法训练模型
clf.fit(X, y)
################# End #################

joblib.dump(clf, "my_model.m") #将训练好的结果保存模型参数

clf = joblib.load("my_model.m") #加载之前保存的模型参数进行预测
test_X = [[0.5, 0.5], [1.5, 1.5]] #输入需要预测的数据
print(clf.predict(test_X))       # 调用预测函数进行分类

print(clf.score(X,y)) #它提供了一个缺省的评估法则来评估模型,简要的说,它用你训练好的模型在测试集上进行评分（0~1）1分代表最好
print(clf.support_vectors_)  #输出当前的支持向量

头歌  第1关：基于支持向量机模型的应用案例

from sklearn import svm # 加载sklearn库来调用svm算法
from sklearn.datasets import load_iris #加载sklearn库中的数据集
from sklearn.model_selection import train_test_split #划分测试集训练集
 
#1.加载数据集
################# Begin #################
datas = load_iris()
################# End #################
data_x = datas.data #定义数据
data_y = datas.target #定义标签
 
#2.划分训练集和测试集
################# Begin #################
x_train,x_test,y_train,y_test = train_test_split(data_x,data_y,test_size=0.3)
################# End #################
 
#3.调用svm函数
################# Begin #################
from sklearn import svm;
clf = svm.SVC();
################# End #################
 
clf = clf.fit(x_train,y_train) #开始训练svm模型
a = clf.predict(x_test) #开始测试
 
cnt = 0
for i in range(len(y_test)):  #评价预测的结果
    if a[i] == y_test[i]:
        cnt +=1
print(cnt/len(a))