Python與機(jī)器學(xué)習(xí)（第2版）（微課版） 課件 4-06-支持向量機(jī)多分類任務(wù)實(shí)施

課程負(fù)責(zé)人：陳清華支持向量機(jī)多分類分析任務(wù)實(shí)施【數(shù)據(jù)挖掘應(yīng)用】課程性別分類分析>>肥胖程度分類分析熟練使用sklearn第三方包實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法應(yīng)用；會(huì)使用支持向量機(jī)算法實(shí)現(xiàn)多分類分析；會(huì)使用SVC()對(duì)肥胖程度進(jìn)行分類分析與預(yù)測(cè)應(yīng)用。能力目標(biāo)主要內(nèi)容任務(wù)工單引導(dǎo)問(wèn)題任務(wù)評(píng)價(jià)標(biāo)準(zhǔn)任務(wù)解決方案代碼解析使用支持向量機(jī)肥胖分類分析教學(xué)難點(diǎn)肥胖不僅影響身材，還對(duì)身體健康有害，易誘發(fā)高血壓、高血脂、糖尿病、代謝綜合征及心腦血管等疾病。肥胖主要和身高、體重?cái)?shù)據(jù)有關(guān)?，F(xiàn)基于hw3.csv中的數(shù)據(jù)，使用支持向量機(jī)算法實(shí)現(xiàn)肥胖程度的判定。任務(wù)概述

任務(wù)描述：基于身高與體重等數(shù)據(jù)，使用支持向量機(jī)對(duì)不同人的肥胖程度進(jìn)行分類（4類）。010010011001101010100100110110100101110101000100001011011101001010101101010011010010hw3.csv任務(wù)工單數(shù)據(jù)源hw3.csv顯示結(jié)果

任務(wù)要求任務(wù)概述（1）支持向量機(jī)如何用來(lái)做多分類應(yīng)用？結(jié)合應(yīng)用，說(shuō)明其中的原理。（2）支持向量機(jī)在sklearn中是如何實(shí)現(xiàn)線性不可分的應(yīng)用？（3）試比較不同核函數(shù)的用途？多項(xiàng)式核函數(shù)主要應(yīng)用在什么情況？（4）本應(yīng)用問(wèn)題中，用哪一種核函數(shù)得到更多的準(zhǔn)確率？（5）樣本數(shù)據(jù)量對(duì)算法有何影響？本應(yīng)用中的樣本數(shù)據(jù)存在什么樣的問(wèn)題？”

問(wèn)題引導(dǎo)：任務(wù)概述

任務(wù)評(píng)價(jià)：任務(wù)概述評(píng)價(jià)內(nèi)容評(píng)價(jià)要點(diǎn)分值分?jǐn)?shù)評(píng)定自我評(píng)價(jià)1.任務(wù)實(shí)施數(shù)據(jù)準(zhǔn)備2分?jǐn)?shù)據(jù)正確讀取得1分，數(shù)據(jù)標(biāo)簽映射正確得1分

模型訓(xùn)練3分?jǐn)?shù)據(jù)集有切分得1分，模型核函數(shù)有設(shè)置得1分，模型訓(xùn)練順利執(zhí)行得1分

模型預(yù)測(cè)1分模型可應(yīng)用于預(yù)測(cè)得1分

2.效果評(píng)估模型可視化并評(píng)估效果3分能正確展現(xiàn)模型得1分，展示模型評(píng)估報(bào)告得1分，模型準(zhǔn)確率90%以上得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實(shí)施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點(diǎn)要點(diǎn)得1分

合計(jì)10分

任務(wù)解決方案一、數(shù)據(jù)讀取#coding:utf-8importpandasaspddf=pd.read_csv('hw3.csv',delimiter=',')df.head()任務(wù)解決方案二、數(shù)據(jù)預(yù)處理fromsklearnimportpreprocessing#類型轉(zhuǎn)換df['Weight']=df['Weight'].astype(float)df['Height']=df['Height'].astype(float)#對(duì)肥胖程度的判定結(jié)果進(jìn)行數(shù)值化處理le=preprocessing.LabelEncoder()df['Class_2']=le.fit_transform(df['Class'])df.head()任務(wù)解決方案三、數(shù)據(jù)集切分與模型訓(xùn)練X=df[['Height','Weight']]Y=df[['Class_2']]x_train,x_test,y_train,y_test=train_test_split(X,Y,train_size=0.7,test_size=0.3)#建立支持向量機(jī)分類器模型params={'kernel':'linear'}classifier=SVC(**params)classifier.fit(x_train,y_train.values.ravel())任務(wù)解決方案四、模型評(píng)估#評(píng)估報(bào)告fromsklearn.metricsimportclassification_reportprint(classification_report(y_test,classifier.predict(x_test)))任務(wù)解決方案五、參數(shù)調(diào)整與優(yōu)化#

采用多項(xiàng)式核函數(shù)params={'kernel':'poly','degree':3}classifier=SVC(**params)classifier.fit(x_train,y_train.values.ravel())小結(jié)1.如何使用