Slik laster du inn data i en SVM-overvåket læringsmodell - dummier

For prediktiv analyse må du laste inn dataene for algoritmen du skal bruke. Lasting av Iris-datasettet i scikit er like enkelt som å utstede et par kodelinjer fordi scikit allerede har opprettet en funksjon for å laste datasettet.

Sepal Lengde	Sepal Bredde	Kronbladets lengde	Kronbredde	Målgruppe / Etikett
5. 1	3. 5	en. 4	0. 2	Setosa (0)
7. 0	3. 2	4. 7	en. 4	Versicolor (1)
6. 3	3. 3	6. 0	2. 5	Virginica (2)

1. Åpne en ny Python-interaktiv shell-sesjon.

   Bruk en ny Python-økt, så det er ikke noe igjen i minnet, og du har en skifer skifer å jobbe med.

2. Skriv inn følgende kode i spørringen og følg utgangene: >>>> fra sklearn. datasett import load_iris >>> iris = load_iris ()

   Etter å ha kjørt disse to setningene, bør du ikke se noen meldinger fra tolken. Den variable iris skal inneholde alle dataene fra iris. csv-fil.
   

   Før du oppretter en prediktiv modell, er det viktig å forstå litt om den nye variabelen iris og hva du kan gjøre med det. Det gjør koden enklere å følge og prosessen mye enklere å forstå. Du kan inspisere verdien av iris ved å skrive den i tolken. >>>> iris

Utgangen vil være alt innholdet fra iris. csv-fil, sammen med annen informasjon om datasettet som load_iris-funksjonen lastes inn i variabelen. Variabelen er en ordbokdatastruktur med fire hovedegenskaper. De viktige egenskapene til iris er oppført nedenfor.

Egenskapsnavn

Beskrivelse

data	Inneholder alle målinger av observasjonene.
feature_name	Inneholder navnet på funksjonen (attributtnavn).
mål	Inneholder alle målene (merkene) til observasjonene.
target_names	Inneholder navnene på klassene.
Du kan skrive ut verdiene i tolken ved å skrive variabelenavnet etterfulgt av prikk etterfulgt av eiendomsnavn. Et eksempel er å bruke iris. data for å få tilgang til egenskapen til iris, slik: >>>> iris. data	Dette er en standard måte å få tilgang til egenskaper til et objekt i mange programmeringsspråk.

For å lage en forekomst av SVM-klassifikatoren, skriv følgende kode i tolken: >>>> fra sklearn. svm import LinearSVC >>> svmClassifier = LinearSVC (random_state = 111)

Den første linjeskoden importerer Linear SVC-biblioteket inn i sesjonen. Den lineære Support Vector Classifier (SVC) er en implementering av SVM for lineær klassifisering og har flere klasses støtte.Datasettet er noe lineært separerbart og har tre klasser, så det ville være en god ide å eksperimentere med lineær SVC for å se hvordan den utfører.

Den andre linjen oppretter forekomsten ved hjelp av variabelen svmClassifier. Dette er en viktig variabel å huske. Random_state-parameteren lar deg gjengi disse eksemplene og få de samme resultatene. Hvis du ikke angav random_state-parameteren, kan resultatene dine avvike fra de som vises her.