python中SVM模型的分类提取

我第一次在python中使用SVM。我还使用了5次交叉验证来检查模型的准确性

该模型的目标是对输出是否为缺陷进行分类。我想对照原始数据集交叉检查输出分类。换句话说，我想了解哪些产品被归类为缺陷，哪些特定产品没有被归类为缺陷。我该怎么做呢

我的代码：

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)

)

谢谢,，

---

Nimish

如果您处理分类问题只是为了测试模型的准确性和行为使用

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

参考我的git链接了解文档分类我在tfidf/count矢量器特性之上使用了朴素贝叶斯

---

如果您正在处理分类问题，只是为了测试模型的准确性和行为使用，希望这对文档分类有所帮助

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

参考我的git链接了解文档分类我在tfidf/count矢量器特性之上使用了朴素贝叶斯

---

希望这对文档分类有所帮助

您可以使用以下代码获得预测为缺陷的记录。我假设X_测试是您的测试输入数据

print(X_test[y_pred_A_rbf==1])

---

您可以使用以下代码获得预测为缺陷的记录。我假设X_测试是您的测试输入数据

print(X_test[y_pred_A_rbf==1])

---

我没有看到代码中的交叉验证部分。假设您已经完成了，它看起来是这样的：

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)

您的代码中缺少的是

svclassifier\u rbf.predict（X\u test）

这是用来预测你的课程。现在，您可以获取变量

y_pred_A_rbf

的值，并将其传递给混淆矩阵，以读取真阳性、真阴性、假阳性和假阴性。Python中的典型混淆矩阵可以映射到下图：

现在有了实际标签和预测标签的两个数组，您可以执行类似于的操作，如果实际标签和预测标签为真，或者换句话说，1，则它们为真阳性，并且正确分类，同样，您可以对真阴性、假阳性执行以下操作，和假阴性，以研究哪些记录被预测和分类正确或错误

例如，如果您想知道哪些记录被正确分类为正数类（在本例中可能是let's Association defect），您可以执行以下操作：

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

---

现在，您将获得所有被正确分类为正数类的记录的索引。

我看不到代码的交叉验证部分。假设您已经完成了，它看起来是这样的：

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)

您的代码中缺少的是

svclassifier\u rbf.predict（X\u test）

这是用来预测你的课程。现在，您可以获取变量

y_pred_A_rbf

的值，并将其传递给混淆矩阵，以读取真阳性、真阴性、假阳性和假阴性。Python中的典型混淆矩阵可以映射到下图：

现在有了实际标签和预测标签的两个数组，您可以执行类似于的操作，如果实际标签和预测标签为真，或者换句话说，1，则它们为真阳性，并且正确分类，同样，您可以对真阴性、假阳性执行以下操作，和假阴性，以研究哪些记录被预测和分类正确或错误

例如，如果您想知道哪些记录被正确分类为正数类（在本例中可能是let's Association defect），您可以执行以下操作：

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

---

现在，您将获得所有被正确分类为阳性类别的记录的索引。

您有许多方法来测试您的y_pred的准确性。基本上，您需要匹配y_pred和y_测试。如果您是该领域的新手，并且面临解释混淆矩阵和报告的问题，您可以简单地在CSV文件中打印您的y_pred，并将其与y_测试进行比较。这将为您提供场景的实际情况

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

---

你有很多方法来测试你的y_pred有多精确。基本上，您需要匹配y_pred和y_测试。如果您是该领域的新手，并且面临解释混淆矩阵和报告的问题，您可以简单地在CSV文件中打印您的y_pred，并将其与y_测试进行比较。这将为您提供场景的实际情况

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

---

混淆矩阵和分类报告没有帮助你理解吗？或者你想知道预测为缺陷的实际数据点吗？混淆矩阵和分类报告没有帮助你理解吗？或者您想知道预测为缺陷的实际数据点吗？