Como carregar dados em um modelo de aprendizado supervisionado SVM - manequins

Para análise preditiva, você precisa carregar os dados para seus algoritmos para usar. Carregar o conjunto de dados Iris no scikit é tão simples como emitir um par de linhas de código porque Scikit já criou uma função para carregar o conjunto de dados.

Comprimento Sepal	Largura Sepal	Comprimento da pétala	Largura da pétala	Classe alvo / Etiqueta
5. 1	3. 5	1. 4	0. 2	Setosa (0)
7. 0	3. 2	4. 7	1. 4	Versicolor (1)
6. 3	3. 3	6. 0	2. 5	Virginica (2)

1. Abra uma nova sessão de shell interativa do Python.

   Use uma nova sessão de Python para que não haja mais nada na memória e você tenha uma ardósia limpa para trabalhar.

2. Digite o seguinte código no prompt e observe a saída: >>>> da sklearn. datasets import load_iris >>> iris = load_iris ()

   Depois de executar essas duas instruções, você não deve ver nenhuma mensagem do intérprete. A íris variável deve conter todos os dados da íris. arquivo csv.
   

   Antes de criar um modelo preditivo, é importante entender um pouco sobre a nova íris variável e o que você pode fazer com ela. Isso torna o código mais fácil de seguir e o processo é muito mais fácil de entender. Você pode verificar o valor da íris digitando-o no intérprete. >>>> íris

A saída será todo o conteúdo da íris. arquivo csv, juntamente com algumas outras informações sobre o conjunto de dados que a função load_iris carregou na variável. A variável é uma estrutura de dados do dicionário com quatro propriedades principais. As propriedades importantes da íris estão listadas abaixo.

Nome da propriedade

Descrição

dados	Contém todas as medidas das observações.
feature_name	Contém o nome do recurso (nome do atributo).
target	Contém todos os alvos (rótulos) das observações.
target_names	Contém os nomes das classes.
Você pode imprimir os valores no intérprete digitando o nome da variável seguido pelo ponto seguido do nome da propriedade. Um exemplo é usar íris. dados para acessar a propriedade da íris, assim: >>>> íris. dados	Esta é uma maneira padrão de acessar propriedades de um objeto em muitas linguagens de programação.

Para criar uma instância do classificador SVM, digite o seguinte código na interpretação: >>>> da sklearn. svm import LinearSVC >>> svmClassifier = LinearSVC (random_state = 111)

A primeira linha de código importa a biblioteca SVC linear na sessão. O linear Support Vector Classifier (SVC) é uma implementação do SVM para classificação linear e tem suporte a várias classes.O conjunto de dados é um tanto linearmente separável e tem três classes, então seria uma boa idéia experimentar com o SVC Linear para ver como ele funciona.

A segunda linha cria a instância usando o variável svmClassifier. Esta é uma variável importante a lembrar. O parâmetro random_state permite que você reproduza esses exemplos e obtenha os mesmos resultados. Se você não colocou o parâmetro random_state, seus resultados podem ser diferentes dos mostrados aqui.