在python中提取SVM模型的分類

Question

我第一次在python中使用SVM。 我還使用了5個交叉驗證來檢查模型的准確性。

該模型的目的是對輸出是否為缺陷進行分類。 我想對照原始數據集交叉檢查輸出分類。 換句話說，我想了解哪些產品被歸類為缺陷，哪些特定產品未被歸類為缺陷。 我該怎么辦？

我的代碼：

from sklearn.svm import SVC  
svclassifier_rbf = SVC(kernel='rbf')  
clf = svclassifier_rbf.fit(X_train, y_train)  

from sklearn.metrics import classification_report, confusion_matrix  
print(confusion_matrix(y_test,y_pred_A_rbf))  
print(classification_report(y_test,y_pred_A_rbf)

）

謝謝你，尼米什

Answer 1

我沒有看到代碼的交叉驗證部分。 假設您已經完成了，它看起來像這樣：

from sklearn.model_selection import KFold
from sklearn.svm import SVC 

kf = KFold(n_splits = 5, shuffle = True)
for train_index, test_index in kf.split(X):
    X_train, X_test = X[train_index], X[test_index]
    y_train = y_true[train_index]
    svclassifier_rbf = SVC(kernel='rbf') 
    svclassifier_rbf.fit(X_train, y_train)
    ###### NEXT LINE NEEDED #######
    y_pred_A_rbf[test_index] = svclassifier_rbf.predict(X_test)

您的代碼中缺少的是svclassifier_rbf.predict(X_test)

這用於預測您的課程。 現在，您可以獲取變量y_pred_A_rbf的值，並將其傳遞給混淆矩陣，以讀取“真肯定”，“真否定”，“假肯定”和“假否定”。 Python中的典型混淆矩陣可以映射到下圖：

既然您有了兩個實際標簽和預測標簽數組，則可以執行以下操作： 如果實際標簽和預測標簽為true，或者換句話說為1，則它們是真實的正數並且已正確分類 ，類似地，您可以接下來是真陰性，假陽性和假陰性，以研究哪些記錄已正確預測或錯誤分類。

例如，如果您想知道哪些記錄已正確分類為肯定類（在這種情況下，我們可以假設是有缺陷的），則可以執行以下操作：

tp = np.where((y_true == 1) & (y_pred == 1), 'True Positive', 'Else')

現在，您將獲得已正確分類為肯定類的所有記錄的索引。

Answer 2

如果您正在處理分類問題，只是為了測試模型的准確性和行為，

from sklearn.metrics import accuracy_score
accuracy_score(y_test,clf.predict(your_X_test))

請參閱我的git鏈接以獲取文檔分類，我在tfidf / count矢量化器功能之上使用了朴素貝葉斯。

使用MultinomialNB進行文檔分類

希望這對您的文檔分類有幫助

Answer 3

您可以使用以下代碼獲取預測為缺陷的記錄。 我假設X_test是您的測試輸入數據。

print(X_test[y_pred_A_rbf==1])

Answer 4

您有很多方法可以測試y_pred的准確性。 基本上，您需要匹配y_pred和y_test。 如果您是該領域的新手，並且在解釋混淆矩陣和報告時遇到問題，則只需在CSV文件中打印y_pred並將其與y_test進行比較即可。 這將為您提供方案的實際情況。

np.savetxt("filename.csv",y_pred,delimiter=",",fmt="%.5f")