9.24

算法伪代码

BEGIN  

    // (1) 加载Iris数据集并留出1/3样本作为测试集  

    加载 iris 数据集  

    设置 X = iris 特征  

    设置 y = iris 标签  

    使用 留出法 拆分 (X, y) 进入 (X_train, y_train) 和 (X_test, y_test)，测试集占1/3，随机种子设为 42，按 y 进行分层  

 

    // (2) 使用训练集训练支持向量机模型  

    初始化 svm_model 为 SVC  

    拟合 svm_model 在 (X_train, y_train)  

 

    // (3) 使用五折交叉验证评估模型性能  

    初始化 skf 为 StratifiedKFold，n_splits = 5，洗牌 = True，随机种子设为 42  

    scores = 使用交叉验证计算 (svm_model, X_train, y_train, skf, 评分标准 = '准确率')  

    precision = 使用交叉验证计算 (svm_model, X_train, y_train, skf, 评分标准 = '精确率_宏')  

    recall = 使用交叉验证计算 (svm_model, X_train, y_train, skf, 评分标准 = '召回率_宏')  

    f1 = 使用交叉验证计算 (svm_model, X_train, y_train, skf, 评分标准 = 'F1_宏')  

 

    // 打印交叉验证结果  

    打印 "训练集准确度: " + 平均值(scores)  

    打印 "训练集精确度: " + 平均值(precision)  

    打印 "训练集召回率: " + 平均值(recall)  

    打印 "训练集F1值: " + 平均值(f1)  

 

    // (4) 使用测试集测试模型性能  

    y_pred = 预测(svm_model, X_test)  

    accuracy = 计算准确率(y_test, y_pred)  

    precision = 计算精确率(y_test, y_pred, 平均值 = '宏')  

    recall = 计算召回率(y_test, y_pred, 平均值 = '宏')  

    f1 = 计算F1值(y_test, y_pred, 平均值 = '宏')  

 

    // 打印测试结果  

    打印 "测试集准确度: " + accuracy  

    打印 "测试集精确度: " + precision  

    打印 "测试集召回率: " + recall  

    打印 "测试集F1值: " + f1  

END

   2. 算法主要代码

完整源代码\调用库方法（函数参数说明）

from sklearn import datasets

from sklearn.model_selection import train_test_split, cross_val_score, StratifiedKFold

from sklearn.svm import SVC

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

import numpy as np

 

# （1）加载iris数据集，并留出1/3作为测试集

iris = datasets.load_iris()

X = iris.data

y = iris.target

 

# 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=1/3, random_state=42, stratify=y)

 

# （2）使用训练集训练支持向量机—SMO分类算法

svm_model = SVC()

svm_model.fit(X_train, y_train)

 

# （3）使用五折交叉验证对模型性能进行评估

skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

scores = cross_val_score(svm_model, X_train, y_train, cv=skf, scoring='accuracy')

precision = cross_val_score(svm_model, X_train, y_train, cv=skf, scoring='precision_macro')

recall = cross_val_score(svm_model, X_train, y_train, cv=skf, scoring='recall_macro')

f1 = cross_val_score(svm_model, X_train, y_train, cv=skf, scoring='f1_macro')

 

# 打印交叉验证结果

print("训练集准确度: {:.3f}".format(np.mean(scores)))

print("训练集精确度: {:.3f}".format(np.mean(precision)))

print("训练集召回率: {:.3f}".format(np.mean(recall)))

print("训练集F1值: {:.3f}".format(np.mean(f1)))

 

# （4）使用测试集测试模型性能

y_pred = svm_model.predict(X_test)

accuracy = accuracy_score(y_test, y_pred)

precision = precision_score(y_test, y_pred, average='macro')

recall = recall_score(y_test, y_pred, average='macro')

f1 = f1_score(y_test, y_pred, average='macro')

 

# 打印测试结果

print("测试集准确度: {:.3f}".format(accuracy))

print("测试集精确度: {:.3f}".format(precision))

print("测试集召回率: {:.3f}".format(recall))

print("测试集F1值: {:.3f}".format(f1))

 

 

 

   3. 训练结果截图（包括：准确率、精度（查准率）、召回率（查全率）、F1）

 

 

四、实验结果分析

1. 测试结果截图（包括：准确率、精度（查准率）、召回率（查全率）、F1）

 

 

2. 对比分析

训练集与测试集一致性：

训练集的各项性能指标（准确度、精确度、召回率和F1值）都很高，这表明模型在训练数据上拟合良好。

测试集的各项指标更是完美（1.00），说明模型能够很好地泛化到未见过的数据上。

过拟合与泛化能力：

由于测试集的表现优于训练集（尤其是高达1.00），这表示在本实验中，模型没有出现过拟合的迹象，而是成功学习到了数据的特征（虽然在真实应用中，完全的1.00很少见，且可能是数据集小或简单问题所导致的）。