首页 > 学术百科

比较KNN、逻辑回归、SVM三种算法的分类效果

⽐较KNN、逻辑回归、SVM三种算法的分类效果

赵安近况

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]

[ 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)

辽宁同志data_df['label'] = data_df['fruit_name'].map(label_dict)

X = data_df[feat_cols]

y = data_df['label']半干法脱硫

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),十六大常委见面会

江汉大学实验师范学院# 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))

金山打字通2002

本文发布于:2024-09-22 01:16:16，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/326234.html

上一篇：用于文本分类的改进knn算法

下一篇：KNN算法-理论篇-如何给电影进行分类

标签：算法回归模型复杂度逻辑参数

留言与评论（共有 0 条评论）