SVM多分类算法 – 基于支持向量机的多类别分类【Python】

最后更新于：2025-10-12 00:15:02

一、代码运行环境

• Python: Python 3.8及以上版本
• 依赖库:
• numpy >= 1.21.0 – 数值计算库
• pandas >= 1.3.0 – 数据处理库
• matplotlib >= 3.4.0 – 数据可视化库
• scikit-learn >= 1.0.0 – 机器学习库

二、程序介绍

程序文件结构

SVM_Multiclass_Classification/
├── demoSVMMultiClass.py         # 演示脚本
├── FunSVMMultiClass.py          # 核心函数
├── iris.csv                     # 鸢尾花数据集
├── requirements.txt             # 依赖库列表
├── 代码说明.txt                  # 代码说明文档
└── figure/                      # 结果图片文件夹
    ├── 图1_混淆矩阵.png
    ├── 图2_分类对比.png
    ├── 图3_性能指标.png
    └── 图4_数据分布.png

文件说明

1. demoSVMMultiClass.py

• 说明：SVM多分类算法的演示脚本文件，是核心函数 FunSVMMultiClass 的测试文件，可以直接运行。
• 功能：加载鸢尾花数据集，设置算法参数，调用核心函数进行多分类训练和测试，输出性能指标并生成可视化结果。
• 运行结果：

命令行输出示例：

     开始加载数据...
     数据加载完成！
     数据集大小：150个样本，4个特征

     ===== SVM多分类算法 =====
     训练集样本数: 105
     测试集样本数: 45
     类别数量: 3

     ===== 分类结果 =====
     测试集准确率: 100.00%
     精确率: 100.00%
     召回率: 100.00%
     F1分数: 100.00%

     各类别性能指标：
     类别 Iris-setosa: 精确率=100.00%, 召回率=100.00%, F1=100.00%
     类别 Iris-versicolor: 精确率=100.00%, 召回率=100.00%, F1=100.00%
     类别 Iris-virginica: 精确率=100.00%, 召回率=100.00%, F1=100.00%

     所有图片已保存到figure文件夹

     演示完成！

2. FunSVMMultiClass.py

• 说明：SVM多分类算法的核心函数，实现了完整的多类别分类流程。
• 功能：

• 支持多种核函数（线性核、RBF核、多项式核）
• 采用One-vs-Rest（OvR）策略进行多分类
• 自动数据标准化和训练集/测试集划分
• 完整的性能评估（准确率、精确率、召回率、F1分数）
• 生成5种可视化结果（混淆矩阵、分类对比、性能指标、数据分布、决策边界）
• 支持中文字体显示
• 所有图片自动保存到figure文件夹
• 函数定义及参数解释：

     def FunSVMMultiClass(X: np.ndarray, 
                          y: np.ndarray, 
                          options: Optional[Dict[str, Any]] = None) -> Tuple[float, float, float, float, List[SVC], Dict[str, Any]]:
         """
         SVM多分类算法函数

         Parameters:
         -----------
         X : np.ndarray
             特征数据，shape为(n_samples, n_features)
         y : np.ndarray
             标签数据，shape为(n_samples,)
         options : Dict[str, Any], optional
             参数设置字典，包含以下字段：
             - test_size: 测试集比例，默认0.3（30%测试，70%训练）
             - kernel: 核函数类型，'linear'|'rbf'|'poly'，默认'rbf'
             - C: 惩罚系数，默认1.0
             - gamma: 核系数，默认'scale'
             - degree: 多项式核函数阶数，默认3
             - standardize: 是否标准化，默认True
             - figflag: 是否绘图，默认True
             - random_state: 随机种子，默认123456

         Returns:
         --------
         accuracy : float
             测试集准确率
         recall : float
             召回率（各类别平均）
         precision : float
             精确率（各类别平均）
         f1 : float
             F1分数（各类别平均）
         models : List[SVC]
             训练好的SVM模型
         info : Dict[str, Any]
             包含详细结果的字典
         """

3. iris.csv

• 说明：经典的鸢尾花数据集，包含150个样本，4个特征（萼片长度、萼片宽度、花瓣长度、花瓣宽度），3个类别（Setosa、Versicolor、Virginica）。
• 用途：作为演示数据，展示SVM多分类算法的效果。

4. requirements.txt

• 说明：Python依赖库列表文件，列出了运行程序所需的所有第三方库及其版本要求。
• 用途：通过 pip install -r requirements.txt 命令一键安装所有依赖。

5. 代码说明.txt

• 说明：详细的代码使用说明文档，包含环境要求、快速开始指南、主要功能介绍和参数说明。

三、快速开始

1. 环境配置

安装Python：

• 前往 Python官网 下载并安装 Python 3.8 或更高版本
• 安装时勾选 “Add Python to PATH”

安装依赖库：

方法一（推荐）：使用 requirements.txt

# 打开命令行，切换到程序目录
cd path/to/SVM_Multiclass_Classification

# 安装所有依赖
pip install -r requirements.txt

方法二：手动安装

pip install numpy pandas matplotlib scikit-learn

验证安装：

python -c "import numpy, pandas, matplotlib, sklearn; print('依赖库安装成功！')"

2. 运行测试脚本

步骤：

1. 打开命令行（Windows按Win+R输入cmd，Mac按Command+空格输入Terminal） 2. 切换到程序目录：

   cd path/to/SVM_Multiclass_Classification

3. 运行演示脚本：

   python demoSVMMultiClass.py

判断程序是否正常运行：

• 命令行输出完整的性能指标信息
• 自动弹出4个图形窗口，显示混淆矩阵、分类对比、性能指标和数据分布
• figure文件夹中自动生成4张PNG图片
• 没有报错信息

3. 修改仿真数据/导入数据

情况一：使用自己的仿真数据

1. 复制一个 demoSVMMultiClass.py 的文件副本（如 my_demo.py） 2. 在副本中修改数据导入部分（第16-21行）：

   # 1. 数据导入
   # 使用自己的数据替换
   X = your_feature_array  # 替换为你的特征数据，shape=(n_samples, n_features)
   y = your_label_array    # 替换为你的标签数据，shape=(n_samples,)

注意事项：

• X 必须是numpy数组或可转换为numpy数组的格式（如list、pandas DataFrame）
• y 必须是一维数组或列表
• 样本数必须与标签数量一致
• 特征数建议在2-100之间

情况二：使用真实采集的数据

从CSV文件导入（推荐）：

import pandas as pd
import numpy as np

# 读取CSV文件
data = pd.read_csv('your_data.csv')

# 方法1：前几列是特征，最后一列是标签
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 方法2：指定列名
X = data[['feature1', 'feature2', 'feature3']].values
y = data['label'].values

从Excel文件导入：

import pandas as pd

# 读取Excel文件
data = pd.read_excel('your_data.xlsx', sheet_name='Sheet1')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

从TXT文件导入：

import numpy as np

# 假设数据为空格或Tab分隔
data = np.loadtxt('your_data.txt')
X = data[:, :-1]
y = data[:, -1]

# 如果是逗号分隔
data = np.loadtxt('your_data.txt', delimiter=',')
X = data[:, :-1]
y = data[:, -1]

从numpy数组导入：

import numpy as np

# 加载.npy文件
data = np.load('your_data.npy')
X = data[:, :-1]
y = data[:, -1]

如果没有测试标签： 如果你的数据没有分开的测试集标签，需要修改代码：

1. 删除或注释掉性能评估相关代码 2. 只关注模型训练和预测结果 3. 可以使用 info['y_pred'] 获取预测结果

4. 调整算法参数（可选）

在 demoSVMMultiClass.py 的第28-37行可以调整算法参数：

# 设置参数
options = {
    'test_size': 0.3,          # 测试集比例（30%测试，70%训练）
                               # 可调整为0.2-0.4之间
  
    'kernel': 'rbf',           # 核函数类型
                               # 'linear'：线性核，适合线性可分问题
                               # 'rbf'：径向基核，适合大部分非线性问题（推荐）
                               # 'poly'：多项式核，适合特定非线性问题
  
    'C': 1.0,                  # 惩罚系数（越大对误分类的惩罚越大）
                               # 建议范围：0.1-100
  
    'gamma': 'scale',          # 核系数
                               # 'scale'：自动计算（推荐）
                               # 'auto'：自动计算
                               # 也可设置为具体数值，如0.1、1、10等
  
    'degree': 3,               # 多项式核阶数（仅poly核需要）
                               # 建议范围：2-5
  
    'standardize': True,       # 是否标准化数据（推荐True）
  
    'figflag': True,           # 是否绘图（True/False）
  
    'random_state': 123456     # 随机种子（设置固定值保证结果可重复）
}

参数调优建议：

1. 首先使用默认参数运行，观察结果 2. 如果准确率不理想，尝试调整核函数类型 3. 调整惩罚系数 C，通常在[0.1, 1, 10, 100]中选择 4. 如果使用RBF核，可以尝试不同的 gamma 值 5. 可以使用 sklearn.model_selection.GridSearchCV 进行自动参数搜索

使用GridSearchCV自动调参：

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC

# 定义参数网格
param_grid = {
    'C': [0.1, 1, 10, 100],
    'gamma': ['scale', 'auto', 0.1, 1],
    'kernel': ['rbf', 'linear']
}

# 创建网格搜索对象
grid_search = GridSearchCV(SVC(), param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train, y_train)

# 输出最佳参数
print(f"最佳参数: {grid_search.best_params_}")
print(f"最佳准确率: {grid_search.best_score_:.4f}")

5. 运行程序

完成以上修改后，在命令行运行：

python my_demo.py  # 或者你修改后的脚本名称

程序会自动完成数据加载、模型训练、预测和可视化等所有步骤。

四、关于完整版与公开版代码

> 代码分为完整版和公开版（试用版），以满足不同用户的需求。

📥 五、获取公开版程序

注：公开版代码需使用MATLAB2022a及以上版本。

💎 六、获取完整版程序

点击下面”立即支付“按钮，付款后获取完整版代码下载链接和售后联系方式~付款完成后刷新一下本页面即可看到下载链接。

（注意：支付跳转失败的话，请使用浏览器打开本页面）

七、完整版代码重要更新

• 2025-01-10: 完成初版代码
• 实现基于SVM的多分类算法（Python版）
• 支持多种核函数（线性、RBF、多项式）
• 实现One-vs-Rest多分类策略
• 提供完整的性能评估指标
• 生成5种可视化结果
• 支持中文字体显示
• 自动保存图片到figure文件夹
• 完整的类型注解和文档字符串

八、常见问题

Q1: 运行程序时提示 “No module named ‘xxx'”？

A: 这是依赖库未安装的问题，请：

pip install -r requirements.txt

或单独安装缺失的库：

pip install 库名

Q2: 图片中文显示为方框？

A: 这是中文字体问题，可以：

1. 确保系统安装了中文字体（如SimHei、Microsoft YaHei） 2. 修改代码中的字体设置：

   plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
   # 或
   plt.rcParams['font.sans-serif'] = ['Heiti TC']  # Mac

Q3: 运行时提示找不到文件？

A: 请确保：

1. 命令行当前目录就是程序所在目录（使用 cd 命令切换） 2. iris.csv 文件与Python脚本在同一目录 3. 使用 os.getcwd() 查看当前工作目录

Q4: 准确率很低怎么办？

A: 可以尝试：

1. 更换核函数类型（’linear’、’rbf’、’poly’） 2. 调整惩罚系数 C（尝试0.1、1、10、100） 3. 确保数据已标准化（standardize=True） 4. 增加训练集比例（如 test_size=0.2） 5. 使用GridSearchCV进行参数搜索 6. 检查数据质量和标签是否正确

Q5: 如何保存训练好的模型？

A: 使用 joblib 或 pickle：

import joblib

# 保存模型
joblib.dump(models, 'svm_models.pkl')
joblib.dump(info, 'model_info.pkl')

# 加载模型
models = joblib.load('svm_models.pkl')
info = joblib.load('model_info.pkl')

Q6: 如何用训练好的模型预测新数据？

A:

# 假设 new_data 是新的特征数据
if info['standardize']:
    # 使用训练时的标准化参数
    new_data_std = (new_data - info['X_mean']) / info['X_std']
else:
    new_data_std = new_data

# 预测
predictions = models[0].predict(new_data_std)
print(f"预测结果: {predictions}")

Q7: 程序运行时间过长？

A:

1. 减少样本数量 2. 减少特征维度（使用PCA降维） 3. 使用线性核函数（kernel='linear'，速度最快） 4. 减小 C 值 5. 使用更快的SVM实现（如LinearSVC）

Q8： 如何引用本代码？

A: 如果在论文或报告中使用了本代码，建议注明：

代码来源：Mr.看海，SVM多分类算法Python实现
网站：www.khsci.com/docs
使用的机器学习库：scikit-learn

—

*如有其他问题，欢迎访问 www.khsci.com/docs 获取更多帮助信息。*