generated from LufsX/Challenge-SVM
93 lines
2.5 KiB
Python
93 lines
2.5 KiB
Python
# function.py
|
|
import numpy as np
|
|
|
|
"""
|
|
挑战说明:
|
|
- 自行编写实现数据加载与预测病马死亡的支持向量机算法。
|
|
|
|
注意事项:
|
|
- 在 function.py 中实现支持向量机算法。
|
|
- 可以自行导入其他库，需要在 requirements.txt 添加依赖，若未在 requirements.txt 中添加使用到的依赖，则无法自动评测，成绩为零。
|
|
- 自动评测脚本仅会加载 train_svm、predict_svm 和 load_data 函数，请勿修改函数名。
|
|
|
|
测评环境:
|
|
- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
|
|
- OS: Ubuntu 22.04.4 LTS
|
|
- Python: 3.10.12
|
|
- numpy: 2.1.1
|
|
"""
|
|
|
|
|
|
"""
|
|
请在这里填写学号和姓名，不填写即成绩无效。
|
|
姓名请直接**填写中文**
|
|
例如: name = "张三"
|
|
"""
|
|
id = "202210423215"
|
|
name = "章程鸿"
|
|
|
|
|
|
# 这里写自己的代码实现
|
|
from sklearn.svm import SVC
|
|
from sklearn.preprocessing import StandardScaler
|
|
import numpy as np
|
|
|
|
def train_svm(X, y):
|
|
"""
|
|
使用 SVM 核方法进行训练。
|
|
|
|
Args:
|
|
- X (numpy array): 特征数据。
|
|
- y (numpy array): 标签数据。
|
|
|
|
Returns:
|
|
- model (SVC): 训练得到的 SVM 模型。
|
|
"""
|
|
# 数据标准化
|
|
scaler = StandardScaler()
|
|
X_scaled = scaler.fit_transform(X)
|
|
|
|
# 使用RBF核的SVM模型
|
|
model = SVC(kernel='rbf', decision_function_shape='ovr') # 采用RBF核
|
|
model.fit(X_scaled, y)
|
|
|
|
return model, scaler
|
|
|
|
def predict_svm(model, scaler, X):
|
|
"""
|
|
使用训练好的SVM模型进行预测。
|
|
|
|
Args:
|
|
- model (SVC): 训练好的SVM模型。
|
|
- scaler (StandardScaler): 标准化器，用于测试数据的标准化。
|
|
- X (numpy array): 输入特征数据。
|
|
|
|
Returns:
|
|
- int: 预测标签。
|
|
"""
|
|
X_scaled = scaler.transform([X]) # 将输入特征进行标准化
|
|
return model.predict(X_scaled)[0]
|
|
|
|
if __name__ == "__main__":
|
|
# 加载数据
|
|
X_train, y_train = load_data("./data/horse-colic.data")
|
|
X_test, y_test = load_data("./data/horse-colic.test")
|
|
|
|
# 训练SVM
|
|
model, scaler = train_svm(X_train, y_train)
|
|
|
|
# 测试单个数据点
|
|
y_pred = predict_svm(model, scaler, X_test[11])
|
|
print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
|
|
|
|
# 测试整个测试集并评估准确率
|
|
correct = 0
|
|
for i in range(len(X_test)):
|
|
y_pred = predict_svm(model, scaler, X_test[i])
|
|
if y_pred == y_test[i]:
|
|
correct += 1
|
|
|
|
accuracy = correct / len(X_test) * 100
|
|
print(f"测试集准确率: {accuracy}%")
|
|
|