机器学习算法——混淆矩阵（Confusion Matrix）之鸢尾花实例

### 使用SVM算法处理鸢尾花数据集的机器学习示例 #### 导入必要的库 为了使用支持向量机(SVM)对鸢尾花数据集进行分类，首先需要导入一些基本的Python库以及Scikit-Learn中的特定模块。 ```python import numpy as np import matplotlib.pyplot as plt from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC from sklearn.metrics import accuracy_score, confusion_matrix, ConfusionMatrixDisplay ``` #### 加载并准备数据 加载鸢尾花数据集，并对其进行预处理以便于后续建模工作。这里只选取前两维特征用于简化可视化过程[^2]。 ```python # Load dataset iris = datasets.load_iris() X = iris.data[:, :2] # we only take the first two features. y = iris.target # Splitting data into training and testing sets X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # Feature scaling scaler = StandardScaler().fit(X_train) X_train_scaled = scaler.transform(X_train) X_test_scaled = scaler.transform(X_test) ``` #### 训练线性SVM模型 创建一个线性的支持向量分类器(`Linear SVM`)实例，并用训练集的数据拟合该模型。 ```python svc_linear = SVC(kernel='linear', C=1).fit(X_train_scaled, y_train) ``` #### 预测与性能评估 应用训练好的模型到测试集中去预测标签值，并计算准确度得分以及其他评价指标如混淆矩阵等。 ```python predictions = svc_linear.predict(X_test_scaled) accuracy = accuracy_score(y_test, predictions) print(f'Accuracy of linear SVM on Iris dataset is {accuracy:.2f}') cm = confusion_matrix(y_test, predictions) disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=iris.target_names) disp.plot(cmap=plt.cm.Blues) plt.show() ``` 上述代码展示了如何基于`sklearn`库实现了一个完整的流程：从加载数据、划分训练/测试集合、标准化变换直到最后建立线性核的支持向量机来进行多类别的分类任务，并给出了最终的结果展示方式之一—混淆矩阵图[^1]。