Sådan lægges data i en SVM-overvåget læringsmodel - dummier

For forudsigende analyser skal du indlæse de data, som dine algoritmer skal bruge. Iris-datasættet i scikit er lige så enkelt som at udstede et par linjer kode, fordi scikit allerede har oprettet en funktion til at indlæse datasættet.

Sepal Længde	Sepal Bredde	Kronblade Længde	Kronblade Bredde	Målklasse / Etiket
5. 1	3. 5	1. 4	0. 2	Setosa (0)
7. 0	3. 2	4. 7	1. 4	Versicolor (1)
6. 3	3. 3	6. 0	2. 5	Virginica (2)

1. Åbn en ny Python interaktive shell session.

   Brug en ny Python-session, så der er ikke noget tilbage i hukommelsen, og du har en ren skifer til at arbejde med.

2. Indtast følgende kode i prompt og observer output: >>>> fra sklearn. datasæt import load_iris >>> iris = load_iris ()

   Når du har kørt disse to udsagn, skal du ikke se nogen meddelelser fra tolken. Den variable iris skal indeholde alle data fra iris. csv fil.
   

   Før du opretter en prædiktiv model, er det vigtigt at forstå lidt om den nye variabel iris og hvad du kan gøre med det. Det gør koden lettere at følge, og processen er meget enklere at forstå. Du kan inspicere værdien af ​​iris ved at skrive den i tolken. >>>> iris

Udgangen vil være alt indhold fra iris. csv-fil sammen med nogle andre oplysninger om datasættet, som load_iris-funktionen er indlæst i variablen. Variablen er en ordbogsdatastruktur med fire hovedegenskaber. De vigtige egenskaber ved iris er anført nedenfor.

Ejendomsnavn

Beskrivelse

data	Indeholder alle målinger af observationerne.
feature_name	Indeholder navnet på funktionen (attributnavn).
target	Indeholder alle målene (etiketter) for observationerne.
target_names	Indeholder navnene på klasserne.
Du kan udskrive værdierne i tolken ved at indtaste variablenavnet efterfulgt af prik efterfulgt af ejendomsnavn. Et eksempel er at bruge iris. data for at få adgang til egenskaben af ​​iris, som denne: >>>> iris. data	Dette er en standard måde at få adgang til egenskaber for et objekt på mange programmeringssprog.

Indtast følgende kode i tolken: >>>> fra sklearn for at oprette en forekomst af SVM-klassificeringsenheden. svm import LinearSVC >>> svmClassifier = LinearSVC (random_state = 111)

Den første kodelinje importerer det lineære SVC-bibliotek til sessionen. Den lineære Support Vector Classifier (SVC) er en implementering af SVM til lineær klassificering og har multi-class support.Datasættet er lidt lineært adskilt og har tre klasser, så det ville være en god ide at eksperimentere med Lineær SVC for at se, hvordan den udfører.

Den anden linje skaber forekomsten ved hjælp af variablen svmClassifier. Dette er en vigtig variabel at huske. Random_state-parameteren giver dig mulighed for at gengive disse eksempler og få de samme resultater. Hvis du ikke har angivet parameteren random_state, kan dine resultater være forskellige fra dem, der vises her.