#?coding=utf-8

from?sklearn?import?svm
import?numpy?as?np
from?sklearn?import?model_selection
import?matplotlib.pyplot?as?plt
import?matplotlib?as?mpl
from?matplotlib?import?colors
????
#?#?當使用numpy中的loadtxt函數導入該數據集時，假設數據類型dtype為浮點型，但是很明顯數據集的第五列的數據類型是字符串并不是浮點型。
#?#?因此需要額外做一個工作，即通過loadtxt（）函數中的converters參數將第五列通過轉換函數映射成浮點類型的數據。
#?#?首先，我們要寫出一個轉換函數：
#?#?定義一個函數，將不同類別標簽與數字相對應
def?iris_type（s）:
????class_label={b‘setosa‘:0b‘versicolor‘:1b‘virginica‘:2}
????return?class_label[s]

def?train（model?x_train?y_train）:
????model.fit（x_trainy_train.ravel（））

def?show_accuracy（a?b?tip）:
????acc?=?（a.ravel（）?==?b.ravel（））
????print（“%s?Accuracy:%.3f“%（tip?np.mean（acc）））

def?print_accuracy（model?x_train?y_trainx_test?y_test?）:
????print（‘SVM-輸出訓練集的準確率為:‘?model.score（x_train?y_train））
????print（“SVM-輸出測試集的準確率為:“?model.score（x_test?y_test））
????#原始結果與預測結果進行對比
????show_accuracy（model.predict（x_train）?y_train?‘traing?data‘）
????show_accuracy（model.predict（x_test）?y_test?‘testing?data‘）
????#計算決策函數的值
????print（‘decision_function:\n‘?model.decision_function（x_train））

def?draw（model?x）:
????x1_min?x1_max?=?x[:?0].min（）?x[:?0].max（）??#?第0列的范圍??x[:?0]?“：“表示所有行，0表示第1列
????x2_min?x2_max?=?x[:?1].min（）?x[:?1].max（）??#?第1列的范圍??x[:?0]?“：“表示所有行，1表示第2列
????x1?x2?=?np.mgrid[x1_min:x1_max:200j?x2_min:x2_max:200j]??#?生成網格采樣點（用meshgrid函數生成兩個網格矩陣X1和X2）
????grid_test?=?np.stack（（x1.flat?x2.flat）?axis=1）??#?測試點，再通過stack（）函數，axis=1，生成測試點
????#?.flat?將矩陣轉變成一維數組?（與ravel（）的區別：flatten：返回的是拷貝

????grid_hat?=?model.predict（grid_test）??#?預測分類值
????grid_hat?=?grid_hat.reshape（x1.shape）??#?使之與輸入的形狀相同

????#?#?2.指定默認字體
????#?mpl.rcParams[‘font.sans-serif‘]?=?[u‘SimHei‘]
????#?mpl.rcParams[‘axes.unicode_minus‘]?=?False

????#?3.繪制
????cm_light?=?mpl.colors.ListedColormap（[‘#A0FFA0‘?‘#FFA0A0‘?‘#A0A0FF‘]）
????cm_dark?=?mpl.colors.ListedColormap（[‘g‘?‘r‘?‘b‘]）

????#?alpha?=?0.5
????plt.pcolormesh（x1?x2?grid_hat?cmap=cm_light）??#?預測值的顯示
????#?plt.plot（x[:?0]?x[:?1]?‘o‘?alpha=alpha?color=‘blue‘?markeredgecolor=‘k‘）
????plt.scatter（x[:?0]?x[:?1]?c=np.squeeze（y）?edgecolor=‘k‘?s=50?cmap?=?cm_dark?）??#?圈中測試集樣本
????plt.scatter（x_test[:?0]?x_test[:?1]?s=120?facecolors=‘none‘?zorder=10）??#?圈中測試集樣本
????plt.xlabel（‘sepal?length‘?fontsize=13）
????plt.ylabel（‘sepal?width‘?fontsize=13）
????plt.xlim（x1_min?x1_max）
????plt.ylim（x2_min?x2_max）
????plt.title（‘SVM?feature‘?fontsize=15）
????#?plt.grid（）
????plt.show（）
????
if?__name__?==?‘__main__‘:
????#1.數據準備
????#1.1加載數據
????#使用numpy中的loadtxt讀入數據文件
????filepath=‘iris2.txt‘??#?數據文件路徑
????data=np.loadtxt（filepathdtype=floatdelimiter=Noneconverters={4:iris_type}）

????#1.2數據分割
????X?y?=?np.split（data?（4）axis=1）??#?np.split?按照列（axis=1）進行分割，從第四列開始往后的作為y?數據，之前的作為X?數據。函數?split（數據，分割位置，軸=1（水平分割）?or?0（垂直分割））。
????x?=?X[:0:2]??#?在?X中取前兩列作為特征（為了后期的可視化畫圖更加直觀，故只取前兩列特征值向量進行訓練）

????x_trainx_testy_trainy_test=model_selection.tr

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件???????3867??2020-09-29?18:53??SVM支持向量機分類鳶尾花數據集iris及代碼\iris.csv

?????文件???????4969??2020-09-29?18:37??SVM支持向量機分類鳶尾花數據集iris及代碼\iris.txt

?????文件????????811??2020-09-29?19:39??SVM支持向量機分類鳶尾花數據集iris及代碼\iris2.data

?????文件???????3808??2020-09-30?08:05??SVM支持向量機分類鳶尾花數據集iris及代碼\iris2.txt

?????文件???????6015??2020-09-29?19:25??SVM支持向量機分類鳶尾花數據集iris及代碼\svm01.py

?????文件???????4526??2020-09-29?19:39??SVM支持向量機分類鳶尾花數據集iris及代碼\svm02.py

?????目錄??????????0??2020-09-30?08:22??SVM支持向量機分類鳶尾花數據集iris及代碼

-----------?---------??----------?-----??----

????????????????23996????????????????????7