机器学习任务4

# 导入必要的库

import numpy as np

import pandas as pd

from sklearn import datasets

from sklearn.model_selection import train_test_split, cross_val_score

from sklearn.svm import SVC

from sklearn.metrics import classification_report, accuracy_score

 

# 1. 加载 iris 数据集

iris = datasets.load_iris()

X = iris.data  # 特征

y = iris.target  # 标签

 

# 2. 使用留出法留出 1/3 的样本作为测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42, stratify=y)

 

# 3. 创建并训练支持向量机（SVM）模型

# SVC是scikit-learn中SVM的实现，其参数如下：

# - kernel: 指定核函数类型，如 'linear', 'poly', 'rbf' 等，默认值为 'rbf'

# - C: 正则化参数，默认值为 1.0

# - gamma: 核函数的系数，默认值为 'scale'

model = SVC(kernel='linear', C=1.0, gamma='scale')  # 使用线性核

model.fit(X_train, y_train)

 

# 4. 使用五折交叉验证评估模型性能

scores = cross_val_score(model, X_train, y_train, cv=5, scoring='accuracy')

print("五折交叉验证的准确度:", scores)

print("平均准确度:", np.mean(scores))

 

# 5. 使用测试集测试模型性能

y_pred = model.predict(X_test)

accuracy = accuracy_score(y_test, y_pred)

 

# 6. 输出测试结果的详细分类报告

print("测试集的准确度:", accuracy)

print(classification_report(y_test, y_pred, target_names=iris.target_names))