如何通过输入CSV文件在sklearnpython中训练SVM模型？

我使用sklearn-scikit-python进行预测。在导入以下包时

从sklearn导入数据集并将结果存储在iris=dataset中。加载iris（），可以很好地训练模型

iris = pandas.read_csv("E:\scikit\sampleTestingCSVInput.csv") 
iris_header = ["Sepal_Length","Sepal_Width","Petal_Length","Petal_Width"] 

模型算法：

model = SVC(gamma='scale')
model.fit(iris.data, iris.target_names[iris.target])

但是，在将CSV文件导入到训练模型、为目标_名称创建新数组时，我遇到了一些错误，如

ValueError:找到的输入变量的数量不一致 样本：[150,4]

我的CSV文件有5列，其中4列为输入，1列为输出。需要适合该输出列的模型

如何为fit模型提供参数

---

任何人都可以分享代码示例来导入CSV文件以适应sklearn python中的SVM模型吗？

由于问题一开始不是很清楚，并且试图解释它是徒劳的，所以我决定下载数据集并自己做。因此，为了确保我们使用的是相同的数据集

iris.head（）

将为您提供或类似的内容，可能会更改一些名称和值，但总体结构将是相同的。

现在，前四列是features，第五列是target/output

现在，您需要将X和Y作为numpy数组来使用

X = iris[ ['sepal length:','sepal Width:','petal length','petal width']].values
Y = iris[['Target']].values

label_encoder = LabelEncoder()
Y = label_encoder.fit_transform(Y)
X = StandardScaler().fit_transform(X)

现在，由于Y是分类数据，您需要使用sklearn的LabelEncoder对其进行一次热编码，并缩放输入X以实现该用途

X = iris[ ['sepal length:','sepal Width:','petal length','petal width']].values
Y = iris[['Target']].values

label_encoder = LabelEncoder()
Y = label_encoder.fit_transform(Y)
X = StandardScaler().fit_transform(X)

为了保持列车和测试数据分离的规范，使用

X_train , X_test, y_train, y_test = train_test_split(X,Y)

现在只需使用X_-train和y_-train在您的模型上进行训练

clf = SVC(C=1.0, kernel='rbf').fit(X_train,y_train)

在此之后，您可以使用测试数据来评估模型，并根据需要调整C的值

编辑以防您不知道函数的位置此处是导入语句

from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder, StandardScaler

---

您好，欢迎来到stack Overflow，请通过一个最小的可验证示例提问，您做了什么，上传了一些导致错误的代码片段。csv文件中有多少列？如果您正在向您的问题添加其他信息，您能否共享

print（iris.columns（））

iris.columns

索引（[u'Sepal_Length'，u'Sepal_Width'，u'Petal_Length'，u'Petal_Width'，u'Species'，dtype='object的输出，首选方法是通过编辑question@KavinRaj另外，fit语句中有多个问题，您应该将它们作为numpy数组进行拟合，第二个变量是您的目标，您需要在问题中指定它是什么。