課程負責人：陳清華支持向量機多分類分析任務實施【數據挖掘應用】課程性別分類分析>>肥胖程度分類分析熟練使用sklearn第三方包實現機器學習算法應用；會使用支持向量機算法實現多分類分析；會使用SVC()對肥胖程度進行分類分析與預測應用。能力目標主要內容任務工單引導問題任務評價標準任務解決方案代碼解析使用支持向量機肥胖分類分析教學難點肥胖不僅影響身材，還對身體健康有害，易誘發高血壓、高血脂、糖尿病、代謝綜合征及心腦血管等疾病。肥胖主要和身高、體重數據有關。現基于hw3.csv中的數據，使用支持向量機算法實現肥胖程度的判定。任務概述

任務描述：基于身高與體重等數據，使用支持向量機對不同人的肥胖程度進行分類（4類）。010010011001101010100100110110100101110101000100001011011101001010101101010011010010hw3.csv任務工單數據源hw3.csv顯示結果

任務要求任務概述（1）支持向量機如何用來做多分類應用？結合應用，說明其中的原理。（2）支持向量機在sklearn中是如何實現線性不可分的應用？（3）試比較不同核函數的用途？多項式核函數主要應用在什么情況？（4）本應用問題中，用哪一種核函數得到更多的準確率？（5）樣本數據量對算法有何影響？本應用中的樣本數據存在什么樣的問題？”

問題引導：任務概述

任務評價：任務概述評價內容評價要點分值分數評定自我評價1.任務實施數據準備2分數據正確讀取得1分，數據標簽映射正確得1分

模型訓練3分數據集有切分得1分，模型核函數有設置得1分，模型訓練順利執行得1分

模型預測1分模型可應用于預測得1分

2.效果評估模型可視化并評估效果3分能正確展現模型得1分，展示模型評估報告得1分，模型準確率90%以上得1分

3.任務總結依據任務實施情況總結結論1分總結內容切中本任務的重點要點得1分

合計10分

任務解決方案一、數據讀取#coding:utf-8importpandasaspddf=pd.read_csv('hw3.csv',delimiter=',')df.head()任務解決方案二、數據預處理fromsklearnimportpreprocessing#類型轉換df['Weight']=df['Weight'].astype(float)df['Height']=df['Height'].astype(float)#對肥胖程度的判定結果進行數值化處理le=preprocessing.LabelEncoder()df['Class_2']=le.fit_transform(df['Class'])df.head()任務解決方案三、數據集切分與模型訓練X=df[['Height','Weight']]Y=df[['Class_2']]x_train,x_test,y_train,y_test=train_test_split(X,Y,train_size=0.7,test_size=0.3)#建立支持向量機分類器模型params={'kernel':'linear'}classifier=SVC(**params)classifier.fit(x_train,y_train.values.ravel())任務解決方案四、模型評估#評估報告fromsklearn.metricsimportclassification_reportprint(classification_report(y_test,classifier.predict(x_test)))任務解決方案五、參數調整與優化#

采用多項式核函數params={'kernel':'poly','degree':3}classifier=SVC(**params)classifier.fit(x_train,y_train.values.ravel())小結1.如何使用