使用 Python 编写一个机器学习模型例如支持向量机或决策树用于进行模型评估?

导入必要的库

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier

加载数据

# 加载数据集
data = pd.read_csv('data.csv')

# 转换数据类型
data['target'] = data['target'].astype('int')

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.drop('target', axis=1), data['target'], test_size=0.2, random_state=42)

创建模型

# 创建支持向量机模型
svm = SVC()

# 创建决策树模型
dt = DecisionTreeClassifier()

# 训练模型
svm.fit(X_train, y_train)
dt.fit(X_train, y_train)

评估模型

# 评估支持向量机模型
svm_score = svm.score(X_test, y_test)
print('SVM 评估结果:', svm_score)

# 评估决策树模型
dt_score = dt.score(X_test, y_test)
print('决策树评估结果:', dt_score)

保存模型

# 保存支持向量机模型
svm.save('svm_model.pkl')

# 保存决策树模型
dt.save('dt_model.pkl')

注意

• 这只是一个简单的示例，您可以根据自己的数据集和需求进行调整。
• 您可以使用不同的参数来优化模型性能。
• 您可以使用不同的评估指标来评估模型性能。