使用svm做运动分类

linear：线性核函数,是在数据线性可分的情况下使用的，运算速度快，效果好。不足在于它不能处理线性不可分的数据。（在本例中C设为100，换为这个核函数之后的准确率为：0.8595317725752508）

poly：多项式核函数,多项式核函数可以将数据从低维空间映射到高维空间，但参数比较多，计算量大。（在本例中C设为100，换为这个核函数之后的准确率为：0.8729096989966555）

rbf：高斯核函数（默认）,高斯核函数同样可以将样本映射到高维空间，但相比于多项式核函数来说所需的参数比较少，通常性能不错，所以是默认使用的核函数。（在本例中C设为100，换为这个核函数之后的准确率为：0.9230769230769231）

sigmoid：sigmoid 核函数,sigmoid 经常用在神经网络的映射中。因此当选用 sigmoid 核函数时，SVM 实现的是多层神经网络。（在本例中C设为100，换为这个核函数之后的准确率为：0.7324414715719063）
————————————————
svm的核参数。

其实一维神经网络就不太好用，所以用线性svm效果可能也不太好。

0 240 0.74 0.75 

0.05 126 0.73 0.75

0.15 22 0.72 0.75

0.2 14 0.71 0.75

0.25 10 0.69 0.8

0.3 8 0.72 0.75

0.32 6 0.7 0.7

0.34 4 0.71 0.4

0.7 3 0.62 0.75

0.8 2 0.55 0.75

线性svm准确率是0.7即使用振幅选择特征。

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

import torch

import torch.fft as fft

df = pd.read_csv('train.csv')

df=df.drop(['ID'],axis=1)

nmp=df.to_numpy()

feature=nmp[:-20,:-1]

label=nmp[:-20,-1]#（210，240）

feature=torch.fft.fft(torch.Tensor(feature))

feature=torch.abs(feature)/240*2

feature=feature.detach().numpy()

sum=1

li=[]

for i in range(feature.shape[0]):

    index=feature[i,:]>=1.128

    index=index.astype(np.int)

    index=np.nonzero(index)

    for j in index:

        for j1 in j:

            if j1 not in li:

                li.append(j1)

print(li)

print(len(li))

df = pd.read_csv('train.csv')

df=df.drop(['ID'],axis=1)

nmp=df.to_numpy()

feature=nmp[:-20,:-1]

label=nmp[:-20,-1]#（210，240）

feature=torch.fft.fft(torch.Tensor(feature))

feature=torch.abs(feature)/240*2

feature=feature[:,li]

feature=feature.detach().numpy()

test_feature=nmp[-20:,:-1]

test_label=nmp[-20:,-1]#（210，240）

test_feature=torch.fft.fft(torch.Tensor(test_feature))

test_feature=torch.abs(test_feature)/240*2

test_feature=test_feature[:,li]

from torch import nn

import torch

label=label.reshape(-1,1)

test_label=test_label.reshape(-1,1)

from sklearn import svm

import matplotlib.pyplot as plt

clf = svm.SVC(kernel = 'linear')  # .SVC（）就是 SVM 的方程，参数 kernel 为线性核函数

# 训练分类器

import sklearn

from sklearn.metrics import accuracy_score

clf.fit(feature, label)

w=clf.predict(feature)

pr=accuracy_score(label, w)

print(pr)

w=clf.predict(test_feature)

pr=accuracy_score(test_label, w)

print(pr)