⽐较KNN、逻辑回归、SVM三种算法的分类效果
还是⽔果分类原始数据，这次使⽤KNN、逻辑回归、SVM三种算法实现⽔果分类器，看哪种算法效果好。
输出如下：
KNN模型的准确率是：75.00%
逻辑回归模型参数是：[[-0.05274036  4.80089662 -0.2919612  9.34272797]
[-0.32977103  6.31580761 -1.35272117  1.14952952]
[-0.23650438 -8.17278107 11.71949993 -1.45948241]
正则化回归算法
[ 0.02063462  0.29756545 -0.29966445  2.01418258]]；截距是：[-31.55768938  1.34960096  -0.68908458  -5.76087243]
LogicRe模型的准确率是：58.33%
SVM模型的准确率是：50.00%
import pandas as pd
del_selection import train_test_split
ighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
data_path = './data/fruit_data.csv'
output_dir = './output/'
label_dict = {'apple':0,
'mandarin':1,
'lemon':2,
'orange':3
}
feat_cols = ['mass','width','height','color_score']
if __name__ == '__main__':
data_df = pd.read_csv(data_path)
data_df['label'] = data_df['fruit_name'].map(label_dict)
X = data_df[feat_cols]
y = data_df['label']
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=19)
model_dict = {
'KNN':KNeighborsClassifier(n_neighbors=3),
# C值越⼩表⽰越强的正则化，也就是更弱复杂度;C值默认为1.0；后⾯2个参数不设置会有警告
'LogicRe':LogisticRegression(C=1e3,solver='liblinear',multi_class='auto'),
'SVM':SVC(C=1e3,gamma='auto')              # C值越⼩表⽰越强的正则化，也就是更弱复杂度;C值默认为1.0
}
for model_name,model in model_dict.items():
model.fit(X_train,y_train)
accuracy = model.score(X_test,y_test)
if model_name == 'LogicRe':  # 会有4组数，分别对应4种⽔果的概率
print('逻辑回归模型参数是：{}；截距是：{}'.f_,model.intercept_))
print('{}模型的准确率是：{:.2f}%'.format(model_name,accuracy*100))

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。