Python で分類に SVM を使用するにはどうすればよいですか?

WBOY

リリース： 2023-06-03 15:51:18

オリジナル

2049 人が閲覧しました

SVM は一般的に使用される分類アルゴリズムであり、機械学習とデータマイニングの分野で広く使用されています。 Python では、SVM の実装は非常に便利で、関連するライブラリを使用することで完了できます。

この記事では、データの前処理、モデルのトレーニング、パラメーターの調整など、Python での分類に SVM を使用する方法を紹介します。

1. データの前処理

分類に SVM を使用する前に、データが SVM アルゴリズムの要件を満たしていることを確認するためにデータを前処理する必要があります。通常、データの前処理には次の側面が含まれます。

データクリーニング: SVM 分類への干渉を避けるために、一部の無駄なデータまたは異常なデータを除外します。
データ正規化: データの数値範囲が同じになるように、特定の比率に従ってデータをスケーリングします。
特徴の選択: データが多すぎる場合は、分類効果を向上させるために最も有益な特徴を選択します。

2. モデルのトレーニング

データの前処理が完了したら、モデルのトレーニングを開始できます。 Python では、モデルのトレーニングに SVM 関連のライブラリを使用できます。

ライブラリのインポート

モデルをトレーニングする前に、関連するライブラリをインポートする必要があります:

import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import precision_score

データのロード

次に、データをロードして続行する必要があります。トレーニングセットとテストセットの分割:

data = np.loadtxt('data.txt', delimiter=',')
X = data[:, :-1]
y = data[:, -1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

data.txt はデータファイルであり、loadtxt 関数を使用してロードできます。。 train_test_split 関数は、データをトレーニングセットとテストセットにランダムに分割するために使用され、test_size パラメーターはテストセットの比率を指定します。

モデルトレーニング

次に、モデルトレーニングを開始できます:

clf = SVC(C=1.0, kernel='rbf' , gamma= 'auto')
clf.fit(X_train, y_train)

このうち、C パラメータは正則化係数、カーネルパラメータは使用するカーネル関数を指定し、ガンマパラメータは制御に使用されます。カーネル関数の影響レベル。この例では、RBF カーネル関数を使用します。

モデルの評価

トレーニングが完了したら、モデルの評価を実行する必要があります:

y_pred = clf.predict(X_test)
acc = precision_score (y_test, y_pred)
print('Accuracy:', acc)

このうち、accuracy_score 関数はモデルの精度を計算するために使用されます。

3. パラメーターの調整

モデルのトレーニング後、パラメーターの調整を実行して、モデルの分類効果をさらに向上させることができます。 SVM で一般的に使用されるパラメーター調整方法には、グリッド検索と相互検証が含まれます。

グリッド検索

グリッド検索は、考えられるすべてのパラメーターの組み合わせを横断して最適なパラメーターの組み合わせを検索する総当たり検索方法です。 Python では、GridSearchCV 関数を使用してグリッド検索を実装できます。

from sklearn.model_selection import GridSearchCV

パラメータ範囲の定義

param_grid = {'C': [0.1, 1.0, 10.0],

          'kernel': ['linear', 'rbf'],
          'gamma': ['auto', 0.1, 0.01]}

ログイン後にコピー

Carry out グリッド検索

gs = GridSearchCV(SVC(), param_grid, cv=5)
gs.fit(X_train, y_train)

最適なパラメータを出力

print ('Best:', gs.best_params_)

このうち、param_grid はパラメータの範囲を指定し、cv パラメータは相互検証の数を指定します。実行が完了すると、最適なパラメータの組み合わせを出力できます。

相互検証

相互検証は、サンプリングを繰り返してモデルのパフォーマンスを検証する方法です。 Python では、cross_val_score 関数を使用して相互検証を実装できます。

from sklearn.model_selection importcross_val_score

相互検証の実行

scores =cross_val_score(clf, X_train, y_train, cv=5)

出力相互検証Result

print('CV スコア:', スコア)

このうち、cv パラメータは相互検証の数を指定します。実行が完了したら、相互検証の結果を出力できます。

4. 概要

この記事では、データの前処理、モデルのトレーニング、パラメーターの調整など、Python での分類に SVM を使用する方法を紹介します。分類問題は SVM を使用して効果的に解決でき、Python の関連ライブラリも SVM を実装するための便利なツールを提供します。この記事が分類に SVM を使用する際の読者の役に立つことを願っています。

以上がPython で分類に SVM を使用するにはどうすればよいですか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。