一、代码部分

from sklearn.svm

import SVC

from sklearn.model_selection import train_test_split

from sklearn.metrics import accuracy_score

import pandas as pd#

加载数据集data = pd.read_csv('county_data.csv') X = data.iloc[:, :-1] y = data.iloc[:, -1]

# 将数据集分为训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 创建 SVM 模型对象clf = SVC(kernel='linear', C=1.0)

# 训练模型clf.fit(X_train, y_train)

# 在测试集上进行预测并输出准确率

y_pred = clf.predict(X_test) accuracy = accuracy_score(y_test, y_pred)print("Accuracy:", accuracy)

一、详细注解

①　加载数据集：

data = pd.read_csv('county_data.csv')：使用 Pandas 读取名为 county_data.csv 的数据集。

X = data.iloc[:, :-1]：提取数据集中除最后一列之外的所有列作为特征数据 X。

y = data.iloc[:, -1]：提取数据集的最后一列作为标签数据 y。

②　数据集划分：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)：将数据集 X 和 y 按照 70%（训练集）和 30%（测试集）的比例划分，并将划分后的数据保存在 X_train、X_test、y_train 和 y_test 中。random_state=0 设置随机种子，以确保每次划分结果一致。

③　创建 SVM 模型对象：

clf = SVC(kernel='linear', C=1.0)：创建一个线性核的支持向量机（SVM）模型对象 clf。其中 kernel 参数指定核函数为线性核，C 参数为正则化参数。

④　训练模型：

clf.fit(X_train, y_train)：使用训练集 X_train 和 y_train 进行模型训练，拟合模型参数。

⑤　预测及评估：

y_pred = clf.predict(X_test)：对测试集 X_test 进行预测，得到预测结果 y_pred。

accuracy = accuracy_score(y_test, y_pred)：使用真实标签 y_test 和预测结果 y_pred 计算模型的准确率。

print("Accuracy:", accuracy)：输出模型在测试集上的准确率。

⑥　逻辑回归的数学公式如下：

给定一个样本 x，逻辑回归将通过线性加权函数的形式计算样本的预测值 z：

z = b + w1*x1 + w2*x2 + ... + wn*xn

其中，b 是偏置项（常数项），w1、w2、...、wn 是权重参数，x1、x2、...、xn 是特征值。

然后，通过激活函数（如 Sigmoid 函数）将 z 映射到一个介于 0 到 1 之间的概率值 p：

p = sigmoid(z) = 1 / (1 + exp(-z))

此概率 p 可以被解释为属于正类的概率。如果我们设定一个阈值，例如 0.5，当 p 大于或等于该阈值时，我们将样本预测为正类；当 p 小于阈值时，我们将样本预测为负类。