Support Vectors Machine (SVM)

• Charger les données

import seaborn as sns

# Charger le jeu de données iris

iris = sns.load_dataset('iris')

# Transformer les espèces en catégories

colors = iris.species.astype('category')

# Les couleurs déduites de chaque espèce d'iris

y = colors.cat.codes

# les variables quantitatives

X = iris.iloc[:,0:4]

• Prédire les catégories par la méthode SVM

import matplotlib.pyplot as plt

from sklearn import svm

clf = svm.SVC(kernel='rbf', C=0.1, gamma=0.5)

clf.fit(X, iris.iloc[:,4])

• Etablir une prédiction

prediction = clf.predict(X)

import pandas as pd

prediction = pd.Series(prediction)

prediction = prediction.astype('category')

y_pred = prediction.cat.codes

• Afficher les données réelles et prédites pour une comparaison

fig, ax = plt.subplots(figsize=(15, 12))

plt.subplot(221) #

plt.scatter(iris.iloc[:, 0], iris.iloc[:, 1], c=y, s=30, cmap=plt.cm.Paired)

plt.title("Vrais catégories")

plt.subplot(222)

plt.scatter(iris.iloc[:, 0], iris.iloc[:, 1], c=y_pred, s=30, cmap=plt.cm.Paired)

plt.title("Categories du SVM")

plt.show()