~今天要分享的是「支持向量機實作」~

有了前一篇的基礎知識後，馬上來看看怎麼用python程式碼實作吧！

支持向量機模型在sklearn套件底下：
from sklearn import svm

#使用在分類問題
svm.SVC(kernel=’linear’)

#使用在回歸問題
svm.SVR(kernel=’linear’)

這裡有一個很重要的觀念是「核函數(kernel)是需要事先決定的」，官方給予的核函數可以選擇的有：linear(線性), poly(多項式), rbf(高斯), sigmoid(S型函數), precomputed(預先計算，意思就是程式不計算核函數，而是用預先已經計算好的核函數)，每個方法會導致模型有不同的複雜性與計算時間，所以要根據問題選擇合適的方法。
若想要了解更詳細的使用方法可以使用help()語法或是到scikit-learn的官網查看(https://scikit-learn.org/stable/modules/classes.html#module-sklearn.svm)

[程式碼實作]
迴歸問題：使用sklearn的資料集”boston”進行分析

import pandas as pd
from sklearn.datasets import load_boston
boston = load_boston()
boston_data=pd.DataFrame(boston['data'],columns=boston['feature_names'])
print("Data數據：",boston_data.head())
print("===============================")

boston_target=pd.DataFrame(boston['target'],columns=['target'])
print("目標數據：",boston_target.head())
print("===============================")

X=boston_data[["CRIM",'ZN',"INDUS","CHAS","NOX","RM","AGE","DIS","RAD","TAX","PTRATIO","B","LSTAT"]]
y=boston_target['target'] 
from sklearn.model_selection import train_test_split
X_train, X_test,y_train,y_test = train_test_split(X,y,test_size=0.3)

from sklearn import svm 
svr = svm.SVR(kernel = 'linear') 
svr.fit(X_train,y_train) 

print("解釋力：",svr.score(X_test,y_test))
print("===============================")

from sklearn.metrics import mean_squared_error
from math import sqrt
svr_pred = svr.predict(X_test)
rmse = sqrt(mean_squared_error(y_test, svr_pred))
print("rmse: %.3f" % rmse) 
print("===============================")

print("目標變數平均值：",boston_target['target'].mean())

由結果可以得知，此模型的解釋力約有0.67，且目標變數裡的數據平均值約為22.53，模型誤差只有約5.14，所以算是可以參考的模型。

分類問題：使用sklearn的資料集”iris”進行分析

import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
iris_data = pd.DataFrame(iris['data'],columns=iris['feature_names'])
print("Data數據：",iris_data.head())
print("===============================")

iris_target=pd.DataFrame(iris['target'],columns=['target'])
print("目標數據：",iris_target.head())
print("===============================")

X=iris_data[['sepal length (cm)','sepal width (cm)','petal length (cm)','petal width (cm)']]
y=iris_target['target'] 
from sklearn.model_selection import train_test_split
X_train, X_test,y_train,y_test = train_test_split(X,y,test_size=0.3)

from sklearn import svm 
svc = svm.SVC(kernel = 'linear') 
svc.fit(X_train,y_train)

from sklearn.metrics import classification_report,confusion_matrix
svc_pred= svc.predict(X_test)
print("混淆矩陣：",confusion_matrix(y_test,svc_pred))
print("======================================================\n")
print("模型評估指標：",classification_report(y_test,svc_pred))

由結果可以得知，測試資料中只有一筆原本分類為第2類的樣本被模型預測成第1類，因此出現了一點誤差，但整體正確率高達0.98，所以是一個很優秀的模型。