python：用 sklearn SVM 构建分类模子，并评价

编写 test_sklearn_5.py 如下

1. # -*- coding: utf-8 -*-
2. """ 使用 sklearn 估计器构建分类模型，并评价 """
3. import numpy as np
4. import matplotlib.pyplot as plt
5. from sklearn import datasets
6. from sklearn.svm import SVC
7. from sklearn.model_selection import train_test_split
8. from sklearn.preprocessing import StandardScaler
10. # 1.加载 datasets 中的乳腺癌数据集
11. cancer = datasets.load_breast_cancer()
12. #print(len(cancer))
13. #print(type(cancer))
14. # 数据集的数据
15. cancer_data = cancer['data']
16. #print('breast_cancer_data:','\n', data)
17. # 数据集的标签
18. target = cancer['target']
19. #print('breast_cancer_target:','\n', target)
20. # 数据集的特征名称
21. feature_names = cancer['feature_names']
22. #print('breast_cancer_feature_names:','\n', feature_names)
24. # 2.将数据集划分为训练集和测试集
25. # 使用 train_test_split 划分数据集
26. data_train,data_test,target_train,target_test = \
27.     train_test_split(cancer_data, target, test_size=0.2, random_state=42)
28. # 数据标准化
29. stdScaler = StandardScaler().fit(data_train)
30. trainStd = stdScaler.transform(data_train)
31. testStd = stdScaler.transform(data_test)
32. # 建立 SVM 模型
33. svm = SVC(C=1.0).fit(trainStd, target_train)
34. print(" SVM model:\n", svm)
35. # 预测训练集结果
36. cancer_target_pred = svm.predict(testStd)
37. print("前20个结果:\n", cancer_target_pred[:20])
39. # 将预测结果和真实结果做比对，求出预测对的结果和预测错的结果，并求出准确率
40. # 求出预测对的结果
41. dui = np.sum(cancer_target_pred == target_test)
42. print("预测对的结果数为:", dui)
43. print("预测错的结果数为:", target_test.shape[0]-dui)
44. print("预测结果的准确率为:", dui/target_test.shape[0])
46. # 分类模型常用评价方法
47. from sklearn.metrics import accuracy_score,precision_score,recall_score,f1_score,cohen_kappa_score
48. score = accuracy_score(target_test, cancer_target_pred)
49. print("用SVM 预测 breast_cancer 数据的准确率:", score)
50. score = precision_score(target_test, cancer_target_pred)
51. print("用SVM 预测 breast_cancer 数据的精确率:", score)
52. score = recall_score(target_test, cancer_target_pred)
53. print("用SVM 预测 breast_cancer 数据的召回率:", score)
54. score = f1_score(target_test, cancer_target_pred)
55. print("用SVM 预测 breast_cancer 数据的F1数值:", score)
56. score = cohen_kappa_score(target_test, cancer_target_pred)
57. print("用SVM 预测 breast_cancer 数据的 Cohen's Kappa 系数:", score)
59. # 分类模型评价报告
60. from sklearn.metrics import classification_report
61. print("用SVM 预测 breast_cancer 数据的分类评价报告:\n",\
62.     classification_report(target_test, cancer_target_pred))
64. # 绘制 ROC 曲线
65. from sklearn.metrics import roc_curve
66. # 求出 ROC 曲线的x轴和y轴
67. fpr, tpr, threholds = roc_curve(target_test, cancer_target_pred)
68. plt.figure(figsize=(10,6))
69. plt.xlim(0,1)
70. plt.ylim(0.0,1.1)
71. plt.xlabel('False Postive Rate')
72. plt.ylabel('True Postive Rate')
73. plt.plot(fpr,tpr, linewidth=2,linestyle='-',color='red')
74. plt.show()

复制代码

运行 python test_sklearn_5.py 

1. (base) D:\python> python test_sklearn_5.py
2. SVM model:
3. SVC()
4. 前20个结果:
5. [1 0 0 1 1 0 0 0 1 1 1 0 1 0 1 0 1 1 1 0]
6. 预测对的结果数为: 112
7. 预测错的结果数为: 2
8. 预测结果的准确率为: 0.9824561403508771
9. 用SVM 预测 breast_cancer 数据的准确率: 0.9824561403508771
10. 用SVM 预测 breast_cancer 数据的精确率: 0.9726027397260274
11. 用SVM 预测 breast_cancer 数据的召回率: 1.0
12. 用SVM 预测 breast_cancer 数据的F1数值: 0.9861111111111112
13. 用SVM 预测 breast_cancer 数据的 Cohen's Kappa 系数: 0.9623140495867769
14. 用SVM 预测 breast_cancer 数据的分类评价报告:
15.                precision    recall  f1-score   support
17.            0       1.00      0.95      0.98        43
18.            1       0.97      1.00      0.99        71
20.     accuracy                           0.98       114
21.    macro avg       0.99      0.98      0.98       114
22. weighted avg       0.98      0.98      0.98       114

复制代码

参考书：【Python 数据分析与应用】第6章 使用 scikit-learn 构建模子

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。