SVM鸢尾花分类Python实现

在本项目中，我们将探讨如何使用支持向量机（SVM）算法，通过Python编程语言对鸢尾花数据集进行分类，并输出混淆矩阵以评估模型性能。SVM是一种强大的监督学习算法，尤其适用于处理小到中等规模的数据集，且在高维空间中的表现优秀。 我们要导入必要的Python库，包括`numpy`用于数值计算，`pandas`用于数据处理，`sklearn`中的`iris`数据集和`svm`模块，以及`matplotlib`用于数据可视化。 ```python import numpy as np import pandas as pd from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.metrics import confusion_matrix, classification_report import matplotlib.pyplot as plt ``` 接下来，加载鸢尾花数据集。这个数据集包含了三个鸢尾花品种，每个品种有4个特征：萼片长度、萼片宽度、花瓣长度和花瓣宽度。 ```python iris = datasets.load_iris() X = iris.data y = iris.target ``` 为了更好地理解数据，我们可以绘制特征之间的散点图： ```python plt.figure(figsize=(12, 6)) for i in range(3): for j in range(i + 1, 4): plt.subplot(3, 3, (i * 3) + j + 1) plt.scatter(X[:, i], X[:, j], c=y) plt.xlabel(iris.feature_names[i]) plt.ylabel(iris.feature_names[j]) plt.tight_layout() plt.show() ``` 然后，我们需要将数据分为训练集和测试集。这里我们采用80%的数据用于训练，20%用于测试。 ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 现在，我们创建一个SVM分类器实例，并拟合训练数据。 ```python clf = SVC(kernel='linear') # 使用线性核函数 clf.fit(X_train, y_train) ``` 接着，用训练好的模型对测试数据进行预测。 ```python y_pred = clf.predict(X_test) ``` 为了评估模型的性能，我们将输出混淆矩阵。混淆矩阵显示了模型预测的正确和错误情况，可以直观地了解模型在各个类别上的表现。 ```python cm = confusion_matrix(y_test, y_pred) print("混淆矩阵：\n", cm) ``` 此外，还可以使用`classification_report`来获取精确度、召回率和F1分数等指标。 ```python print("\n分类报告：\n", classification_report(y_test, y_pred)) ``` 以上就是使用Python和SVM实现鸢尾花分类的基本流程。通过调整SVM的参数，如核函数、正则化参数C等，可以进一步优化模型的性能。同时，混淆矩阵和分类报告为我们提供了评估模型效果的重要依据。