10.15

实验四：SMO 算法实现与测试

一、实验目的

深入理解支持向量机（SVM）的算法原理，能够使用 Python 语言实现支持向量机的训 练与测试，并且使用五折交叉验证算法进行模型训练与评估。

二、实验内容

（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练支持向量机—SMO 分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对测试结果进行分析，完成实验报告中实验四的 部分。

三、算法步骤、代码、及结果

   1. 算法伪代码

输入

鸢尾花数据集（包含特征数据和对应的类别标签）

步骤

1. 数据加载阶段

• o 从 sklearn 库中加载鸢尾花数据集，提取特征数据赋值给变量 X，类别标签赋值给变量 Y。

1. 数据划分阶段

• o 使用 train_test_split 函数按照测试集占总样本的 1/3 比例，将数据集划分为训练集（X_train、y_train）和测试集（X_test、y_test），设置随机种子为 42 以确保划分的可重复性。

1. 模型构建与训练阶段

• o 创建支持向量机（SVM）模型实例 model，设定以下参数：
  • 核函数选择 'linear'（线性核函数）。
  • 正则化参数 C 设置为 1.0。
  • 随机数生成器的种子设为 42。
  • o 使用训练集数据（X_train、y_train）对 model 进行训练。

1. 交叉验证阶段

• o 运用五折交叉验证对训练好的模型 model 在训练集（X_train、y_train）上进行评估，评估指标设定为准确率，将每次折叠得到的准确率分数存储在 scores 变量中。
• o 计算并打印五折交叉验证准确率的平均值（即 scores.mean()），以此衡量模型在训练集上的整体性能表现。

1. 模型测试与性能评估阶段

• o 用训练好的模型 model 对测试集（X_test、y_test）进行预测，得到预测结果 y_pred。
• o 计算测试集的准确率，通过 accuracy_score 函数对比 y_test 与 y_pred，将结果赋值给变量 accuracy。
• o 计算测试集的精度（查准率），使用 precision_score 函数，采用 'macro' 平均方式对比 y_test 与 y_pred，将结果赋值给变量 precision。
• o 计算测试集的召回率（查全率），使用 recall_score 函数，采用 'macro' 平均方式对比 y_test 与 y_pred，将结果赋值给变量 recall。
• o 计算测试集的 F1 值，使用 f1_score 函数，采用 'macro' 平均方式对比 y_test 与 y_pred，将结果赋值给变量 f1。
• o 分别打印测试集的准确率、精度（查准率）、召回率（查全率）以及 F1 值。

输出

1. 五折交叉验证准确率的平均值。
2. 测试集的准确率、精度（查准率）、召回率（查全率）以及 F1 值。

   2. 算法主要代码

完整源代码\调用库方法（函数参数说明）

from sklearn import datasets

from sklearn.model_selection import train_test_split, cross_val_score

from sklearn.svm import SVC

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 加载数据集

iris = datasets.load_iris()

X = iris.data

y = iris.target

# 数据划分

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1 / 3, random_state=42)

# 模型训练

# 使用 SMO 算法训练支持向量机模型

model = SVC(kernel='linear', C=1.0, random_state=42)

model.fit(X_train, y_train)

# 交叉验证

scores = cross_val_score(model, X_train, y_train, cv=5, scoring='accuracy')

print("五折交叉验证准确率:", scores.mean())

# 模型测试

y_pred = model.predict(X_test)

# 性能评估

accuracy = accuracy_score(y_test, y_pred)

precision = precision_score(y_test, y_pred, average='macro')

recall = recall_score(y_test, y_pred, average='macro')

f1 = f1_score(y_test, y_pred, average='macro')

print("准确率:", accuracy)

print("精度（查准率）:", precision)

print("召回率（查全率）:", recall)

print("F1值:", f1)

   3. 训练结果截图（包括：准确率、精度（查准率）、召回率（查全率）、F1）

四、实验结果分析

1. 测试结果截图（包括：准确率、精度（查准率）、召回率（查全率）、F1）

2. 对比分析

其在训练和测试过程中表现出色，具备较高的准确性、精确率、召回率和F1分数。在实际应用中，模型能够很好地处理多类别问题，尤其是对于0类表现近乎完美。对于类别1和2，尽管有所差异，但总体表现依旧令人满意

五、心得体会

在实现与测试 SMO 算法的过程中，我深感其精妙之处。通过不断优化支持向量机的参数，实现高效分类。从理解算法原理到实际编程实现，每一步都充满挑战与收获。测试阶段见证了算法在不同数据集上的表现，也让我认识到算法的优势与局限性。这个过程提升了我的编程技能和对机器学习算法的理解，激励我不断探索更多先进算法。