支持向量机进行枣类遗传的回归预测分析

import numpy as np
import pandas as pd
from lazypredict.Supervised import LazyClassifier
from sklearn.metrics import classification_report, confusion_matrix
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.svm import LinearSVC
import seaborn as sns
import matplotlib.pyplot as plt

# 读取数据集
raw=pd.read_csv(r'code/水果数据集.csv')
# 使用sklearn的编码器，将Class文本类型标签转换为数值类型
label_encoder=LabelEncoder()
encoded=pd.DataFrame(label_encoder.fit_transform(raw['Class']), columns=['Encoded'])
# 复制一份数据集，将编码后的列数据合并
df_encoded=raw.copy()
df_encoded=pd.concat([df_encoded, encoded], axis=1)
# 对空数据进行补全
df_encoded['Encoded'].fillna(0, inplace=True)
df_encoded.drop(columns=['Class'], axis=1, inplace=True)
# 自变量和因变量赋值
x=df_encoded.drop(['Encoded'], axis=1)
y=df_encoded['Encoded']
# 使用标准归一化方法将数据归一化
SS=StandardScaler()
x=SS.fit_transform(x)
# 划分训练集与测试集，划分比例为6：4
x_train,x_test,y_train,y_test =train_test_split(x,y,test_size=0.4, random_state=0)
# 使用机器学习包选取最优的预测模型
clf = LazyClassifier(predictions=True)
models, predictions = clf.fit(x_train, x_test, y_train, y_test)
print(models)
print(predictions) # 可以看到最优的模型是LinearSVC模型

运行结果：

# 使用线性支持向量机
svc = LinearSVC()
# 拟合数据
svc.fit(x_train,y_train)
y_pre=svc.predict(x_test)
# 生成预测报告
print(classification_report(y_test,y_pre))
# 生成混淆矩阵
sns.heatmap(confusion_matrix(y_test,y_pre),annot=True,cmap='YlGnBu_r')
plt.show()

运行结果：

混淆矩阵：