雷達數(shù)據(jù)SVM分類

數(shù)據(jù)挖掘技術(shù)與應用雷達數(shù)據(jù)SVM分類實訓實訓目標理解SVM分類算法的核心步驟。掌握支持向量機的Python實現(xiàn)。通過數(shù)據(jù)集的部分樣本訓練構(gòu)造SVM模型并訓練。調(diào)用構(gòu)建好的模型對測試集樣本進行預測。實訓環(huán)境使用3.6版本的Python。使用jupyternotebook或PyCharm2018社區(qū)版作為代碼編輯器。numpy、pandas、sklearn實訓數(shù)據(jù)該雷達數(shù)據(jù)是由拉布拉多鵝灣的一個系統(tǒng)收集的。該系統(tǒng)由16個高頻天線的相控陣組成，總發(fā)射功率約為6.4千瓦。目標是電離層中的自由電子。“良好”的雷達回波是那些顯示出電離層某種類型結(jié)構(gòu)證據(jù)的雷達。“不良”收益是那些沒有收益的收益；它們的信號通過電離層。使用自相關函數(shù)處理接收到的信號，該函數(shù)的自變量為脈沖時間和脈沖數(shù)。鵝灣系統(tǒng)有17個脈沖數(shù)。該數(shù)據(jù)庫中的實例由每個脈沖數(shù)2個屬性描述，對應于由復數(shù)電磁信號產(chǎn)生的函數(shù)返回的復數(shù)值實訓內(nèi)容導入必要的庫。導入數(shù)據(jù)集。獲取特征值。獲取標簽。切分數(shù)據(jù)集合。創(chuàng)建模型。訓練模型。輸出結(jié)果。雷達數(shù)據(jù)SVM分類實現(xiàn)代碼導入數(shù)據(jù)包fromsklearn.svmimportSVCfromsklearn.model_selectionimporttrain_test_splitimportnumpyasnpimportcsv數(shù)據(jù)說明該雷達數(shù)據(jù)是由拉布拉多鵝灣的一個系統(tǒng)收集的。該系統(tǒng)由16個高頻天線的相控陣組成，總發(fā)射功率約為6.4千瓦。目標是電離層中的自由電子?！傲己谩钡睦走_回波是那些顯示出電離層某種類型結(jié)構(gòu)證據(jù)的雷達。“不良”收益是那些沒有收益的收益；它們的信號通過電離層。使用自相關函數(shù)處理接收到的信號，該函數(shù)的自變量為脈沖時間和脈沖數(shù)。鵝灣系統(tǒng)有17個脈沖數(shù)。該數(shù)據(jù)庫中的實例由每個脈沖數(shù)2個屬性描述，對應于由復數(shù)電磁信號產(chǎn)生的函數(shù)返回的復數(shù)值打開數(shù)據(jù)，并獲取特征值,獲取標簽X=np.zeros((351,34),dtype='float')Y=np.zeros((351,),dtype='bool')withopen(r'data\ionosphere.data','r')asinput_file:reader=csv.reader(input_file)fori,rowinenumerate(reader):data=[float(datum)fordatuminrow[:-1]]X[i]=dataY[i]=row[-1]=='g'切分數(shù)據(jù)集合x_train,x_test,y_train,y_test=train_test_split(X,Y,test_size=0.3,random_state=6)創(chuàng)建模型model=SVC(kernel='linear',class_weight='balanced')訓練模型model=model.fit(x_train,y_train)輸出結(jié)果print("Train_score:{0},Test_score:{1}".