#随机森林模型训练 print() print('*'45) print('随机森林模型训练:') print(''*45) from sklearn.ensemble import RandomForestClassifier

对于随机森林，我们为每个树设置100个决策树

start=datetime.datetime.now() rf=RandomForestClassifier(n_estimators=100) rf.fit(x_train,y_train) end=datetime.datetime.now() print('模型训练时间:',end-start)

#在测试集上做出预测 rf_pred=rf.predict(x_test)

#计算模型准确率 rf_accuracy=rf.score(x_test,y_test) print('随机森林模型准确率:',rf_accuracy)

#计算混淆矩阵 rf_cm=confusion_matrix(y_test,rf_pred) print('随机森林模型混淆矩阵:') print(rf_cm)

#SVM模型训练 print() print('*'45) print('SVM模型训练:') print(''*45) from sklearn.svm import SVC

我们使用SVM RBF内核，C=1，gamma=0.1

start=datetime.datetime.now() svm=SVC(kernel='rbf',C=1,gamma=0.1) svm.fit(x_train,y_train) end=datetime.datetime.now() print('模型训练时间:',end-start)

#在测试集上做出预测 svm_pred=svm.predict(x_test)

#计算模型准确率 svm_accuracy=svm.score(x_test,y_test) print('SVM模型准确率:',svm_accuracy)

#计算混淆矩阵 svm_cm=confusion_matrix(y_test,svm_pred) print('SVM模型混淆矩阵:') print(svm_cm