Comment charger des données dans un modèle d'apprentissage svm supervisé

Pour l'analyse prédictive, vous devez charger les données de vos algorithmes à utiliser. Chargement du jeu de données dans Iris scikit est aussi simple que la délivrance d'un couple de lignes de code, car scikit a déjà créé une fonction pour charger l'ensemble de données.

Longueur des sépalesSépale LargeurPétale LongueurPétale LargeurClasse cible / Étiquette
5.13.51.40,2Setosa (0)
7.03.24.71.4Versicolor (1)
6.33.36.02.5Virginica (2)
  1. Ouvrez une nouvelle session de shell interactif Python.

    Utilisez une nouvelle session de Python donc il n'y a pas quelque chose qui reste dans la mémoire et vous avez une ardoise propre pour travailler avec.

  2. Entrez le code suivant dans l'invite et observer la sortie:

    >>> From sklearn.datasets importer load_iris >>> iris = load_iris ()



    Après l'exécution de ces deux déclarations, vous ne devriez pas voir tous les messages générés par l'interpréteur. La variable iris devrait contenir toutes les données de la iris.csv fichier.

Avant de créer un modèle prédictif, il est important de comprendre un peu plus sur la nouvelle variable iris et ce que vous pouvez faire avec lui. Il rend le code plus facile à suivre et le processus beaucoup plus simple à saisir. Vous pouvez inspecter la valeur de iris en le tapant dans l'interpréteur.

>>> Iris

La sortie sera tout le contenu de la iris.csv fichier, ainsi que quelques autres informations à propos de l'ensemble de données que le load_iris fonction chargée dans la variable. La variable est une structure de données dictionnaire avec quatre propriétés principales. Les propriétés importantes de iris sont énumérés ci-dessous.

Nom de la propriétéDescription
donnéesContient toutes les mesures des observations.
feature_nameContient le nom de la fonction (nom d'attribut).
cibleContient toutes les cibles (étiquettes) des observations.
target_namesContient les noms des classes.

Vous pouvez imprimer les valeurs dans l'interpréteur en tapant le nom de la variable suivi par point suivi par le nom de la propriété. Un exemple utilise iris.data pour accéder à la propriété de iris, comme ça:

>>> Iris.data

Ceci est un standard d'accès aux propriétés d'un objet dans de nombreux langages de programmation.

Pour créer une instance de la SVM, tapez le code suivant dans l'interpréteur:

>>> From sklearn.svm importation LinearSVC >>> svmClassifier = LinearSVC (random_state = 111)

La première ligne de code importe la SVC linéaire bibliothèque dans la session. Le linéaire Support Vector classificateur (SVC) est une implémentation de SVM pour la classification linéaire et a un support multi-classe. L'ensemble de données est un peu linéairement séparables et a trois classes, de sorte qu'il serait une bonne idée d'expérimenter avec SVC linéaire pour voir comment il se comporte.

La deuxième ligne crée l'instance en utilisant la variable svmClassifier. Ceci est une variable importante à retenir. La random_état paramètre vous permet de reproduire ces exemples et d'obtenir les mêmes résultats. Si vous ne mettez pas dans le aléatoire_état paramètre, vos résultats peuvent différer de ceux indiqués ici.


» » » » Comment charger des données dans un modèle d'apprentissage svm supervisé