Como carregar dados em um modelo de aprendizagem svm supervisionado

Para análise preditiva, você precisa carregar os dados para seus algoritmos de usar. Carregando o conjunto de dados Iris em scikit

é tão simples como a emissão de um par de linhas de código, pois scikit já criou uma função para carregar o conjunto de dados.

Video: How to Use Tensorflow for Classification (LIVE)

sepal Comprimento	sepal Largura	Comprimento pétala	pétala Largura	Classe Alvo / etiqueta
5.1	3,5	1,4	0,2	Setosa (0)
7	3.2	4.7	1,4	Versicolor (1)
6,3	3,3	6	2,5	Virginica (2)

1. Abra uma nova sessão do shell interativo do Python.

   Use uma nova sessão de Python, então não há nada de sobra na memória e você tem uma ardósia limpa para trabalhar.

2. Digite o seguinte código no alerta e observar a saída:

   gt; gt; gt; de sklearn.datasets importar load_irisgt; gt; gt; íris = load_iris ()

   Depois de executar essas duas declarações, você não deve ver qualquer mensagens do intérprete. a variável íris deve conter todos os dados do iris.csv Arquivo.

Antes de criar um modelo preditivo, é importante entender um pouco sobre a nova variável íris eo que você pode fazer com ele. Isso torna o código mais fácil de seguir e o processo muito mais simples de entender. Você pode inspecionar o valor de íris digitando-a no interpretador.

gt; gt; gt; íris

A saída será todo o conteúdo do iris.csv arquivo, junto com algumas outras informações sobre o conjunto de dados que o load_iris função carregada na variável. A variável é uma estrutura de dados de dicionário com quatro propriedades principais. As propriedades importantes de íris estão listados abaixo.

Nome da propriedade	Descrição
dados	Contém todas as medições das observações.
feature_name	Contém o nome do recurso (nome do atributo).
alvo	Contém todos os alvos (etiquetas) das observações.
target_names	Contém os nomes das classes.

Pode imprimir os valores no interpretador digitando o nome da variável seguido por ponto seguido pelo nome da propriedade. Um exemplo é o uso iris.data para acessar a propriedade de íris, como isso:

gt; gt; gt; iris.data

Esta é uma maneira padrão de como aceder às propriedades de um objeto em muitas linguagens de programação.

Para criar uma instância do classificador SVM, digite o seguinte código no interpretador:

gt; gt; gt; LinearSVCgt de importação sklearn.svm; gt; gt; svmClassifier = LinearSVC (random_state = 111)

A primeira linha de código importa a linear SVC biblioteca na sessão. O Support Vector classificador linear (SVC) é uma implementação do SVM para a classificação linear e tem suporte multi-classe. O conjunto de dados é um pouco linearmente separáveis ​​e tem três classes, de modo que seria uma boa ideia para experimentarlinear SVC para ver como ele se comporta.

Video: Visualizing a Decision Tree - Machine Learning Recipes #2

A segunda linha cria o exemplo usando a variável svmClassifier. Esta é uma variável importante para se lembrar. o aleatória_Estado parâmetro permite reproduzir estes exemplos e obter os mesmos resultados. Se você não colocar no aleatória_Estado parâmetro, os resultados podem ser diferentes dos mostrados aqui.