第3关：支持向量机分类模型及其应用

任务描述

本关任务：基于关卡2基础上，取数据集前600条记录作为训练数据，后90条记录作为测试数据，构建支持向量机模型，输出其模型准确率和预测准确率。

相关知识

为了完成本关任务，你需要掌握：1.获取数据和数据处理。2.训练样本与测试样本划分。3、支持向量机分类模型构建。

训练样本与测试样本划分

训练用的特征数据用x1表示，预测变量用y1表示，测试样本则分别记为x2和y2。

1. x1 = x.iloc[:600,:]
2. y1 = data.iloc[:600,15]
3. x2 = x.iloc[600:,:]
4. y2 = data.iloc[600:,15]

输出：

支持向量机分类模型构建

支持向量机分类模型的构建具体步骤如下：

1. （1）导入支持向量机模块svm。
2. from sklearn import svm
3. （2）利用svm创建支持向量机类`svm`。
4. clf = svm.SVC(kernel='rbf')
5. 其中核函数可以选择线性核、多项式核、高斯核、sig核，分别用`linear、poly、rbf、sigmoid`表示，默认情况下选择高斯核。
6. （3）调用svm中的`fit()`方法进行训练。
7. clf.fit(x, y)
8. （4）调用svm中的`score()`方法，考查训练效果。
9. rv=clf.score(x, y); # 模型准确率（针对训练数据）
10. （5）调用svm中的`predict()`方法，对测试样本进行预测，获得预测结果。
11. R=clf.predict(x1)

示例如下：

1. from sklearn import svm
2. clf = svm.SVC(kernel='rbf')
3. clf.fit(x, y)
4. rv=clf.score(x, y);
5. R=clf.predict(x1)
6. Z=R-y1
7. Rs=len(Z[Z==0])/len(Z)
9. print("模型准确率: " + str(rv))
10. print("预测准确率：" + str(Rs))

输出：模型准确率: 0.915 预测准确率：0.9111111111111111

编程要求

根据提示，在右侧编辑器补充代码，构建支持向量机模型并输出模型准确率rv和预测准确率Rs。

测试说明

在定义的函数内进行编码，注意格式，平台会对你编写的代码进行测试。 开始你的任务吧，祝你成功！

---

任务代码：

#********** Begin **********#
#在上一关基础，对经过缺失值填充、数值变量标准化后的数据集，取前600条记录作为训练数据，后90条记录作为测试数据
#构建支持向量机模型，返回计算结果模型准确率rv和预测准确率r
def return_values():
    import numpy as np
    from sklearn import svm
    X1=np.load('X1.npy') #经过缺失值填充、数值变量标准化后的数据集，numpy数组690*15
    Y=np.load('Y.npy')   #因变量，numpy数组，690个元素
    x1 = X1[:600,:]     
    y1 = Y[:600]
    x2 = X1[600:,:]     
    y2 = Y[600:]
    clf = svm.SVC(kernel='rbf')  
    clf.fit(x1, y1) 
    rv=clf.score(x1, y1);
    R=clf.predict(x2)
    Z=R-y2
    r=len(Z[Z==0])/len(Z)
    #print("模型准确率: " + str(rv))
    #print("预测准确率：" + str(r))
    return(rv,r)

#********** End **********#

print的注释不要删掉否则通过不了，这是print的结果

模型准确率: 0.8833333333333333
预测准确率：0.8888888888888888