Python与机器学习（第2版）（微课版） 课件 4-06-支持向量机多分类任务实施

课程负责人：陈清华支持向量机多分类分析任务实施【数据挖掘应用】课程性别分类分析>>肥胖程度分类分析熟练使用sklearn第三方包实现机器学习算法应用；会使用支持向量机算法实现多分类分析；会使用SVC()对肥胖程度进行分类分析与预测应用。能力目标主要内容任务工单引导问题任务评价标准任务解决方案代码解析使用支持向量机肥胖分类分析教学难点肥胖不仅影响身材，还对身体健康有害，易诱发高血压、高血脂、糖尿病、代谢综合征及心脑血管等疾病。肥胖主要和身高、体重数据有关。现基于hw3.csv中的数据，使用支持向量机算法实现肥胖程度的判定。任务概述

任务描述：基于身高与体重等数据，使用支持向量机对不同人的肥胖程度进行分类（4类）。010010011001101010100100110110100101110101000100001011011101001010101101010011010010hw3.csv任务工单数据源hw3.csv显示结果

任务要求任务概述（1）支持向量机如何用来做多分类应用？结合应用，说明其中的原理。（2）支持向量机在sklearn中是如何实现线性不可分的应用？（3）试比较不同核函数的用途？多项式核函数主要应用在什么情况？（4）本应用问题中，用哪一种核函数得到更多的准确率？（5）样本数据量对算法有何影响？本应用中的样本数据存在什么样的问题？”

问题引导：任务概述

任务评价：任务概述评价内容评价要点分值分数评定自我评价1.任务实施数据准备2分数据正确读取得1分，数据标签映射正确得1分

模型训练3分数据集有切分得1分，模型核函数有设置得1分，模型训练顺利执行得1分

模型预测1分模型可应用于预测得1分

2.效果评估模型可视化并评估效果3分能正确展现模型得1分，展示模型评估报告得1分，模型准确率90%以上得1分

3.任务总结依据任务实施情况总结结论1分总结内容切中本任务的重点要点得1分

合计10分

任务解决方案一、数据读取#coding:utf-8importpandasaspddf=pd.read_csv('hw3.csv',delimiter=',')df.head()任务解决方案二、数据预处理fromsklearnimportpreprocessing#类型转换df['Weight']=df['Weight'].astype(float)df['Height']=df['Height'].astype(float)#对肥胖程度的判定结果进行数值化处理le=preprocessing.LabelEncoder()df['Class_2']=le.fit_transform(df['Class'])df.head()任务解决方案三、数据集切分与模型训练X=df[['Height','Weight']]Y=df[['Class_2']]x_train,x_test,y_train,y_test=train_test_split(X,Y,train_size=0.7,test_size=0.3)#建立支持向量机分类器模型params={'kernel':'linear'}classifier=SVC(**params)classifier.fit(x_train,y_train.values.ravel())任务解决方案四、模型评估#评估报告fromsklearn.metricsimportclassification_reportprint(classification_report(y_test,classifier.predict(x_test)))任务解决方案五、参数调整与优化#

采用多项式核函数params={'kernel':'poly','degree':3}classifier=SVC(**params)classifier.fit(x_train,y_train.values.ravel())小结1.如何使用