R7-2 支持向量机分类：基于圆周数据的分类实验

本实验使用sklearn库中的支持向量机模型对自行生成的多类别圆周数据集进行分类。数据集中每个类别对应一个圆周上的点，不同类别数据交替出现。实验使用'rbf'核函数，gamma系数为20，并使用'ovo'策略进行分类。最后比较模型在训练集和测试集上的精度。

数据集生成:

自行产生多个类别的数据集，每类都是某一个圆周上的点，每类有10个样本。
不同类别的数据交替出现，比如第一类数据第一个点，第二类数据第一个点，最后一类数据第一个点，然后第一类数据第二个点，第二类数据第二个点。。。直到最后一类数据第十个点。
第c类数据都在半径为3c的圆上，类别编号为类别数字-1（1到10类，对应0到9）。
横纵坐标中，cos, sin的弧度为所在类别中的序号的3倍。
比如类别为2的数据中，第4个点，横坐标是32cos(43)，纵坐标32sin(43)，类别编号为2-1=1；类别为4的数据中，第5个点，横坐标是34cos(53)，纵坐标34sin(53)，类别编号为4-1=3。

模型训练和测试:

使用train_test_split用来分隔训练集和测试集，训练数据集比例0.5， random_state = 1。
使用sklearn的支持向量机，核函数 'rbf', gamma系数 20, decision_function_shape 策略 'ovo' 对训练集拟合。
后测试训练集和测试集的精度。精度使用score()，显示2位小数。

输入样例:

在代码中输入数据类别的个数，例如：

输出样例:

accu of model for train set is 0.70
accu of model for test set is 0.30

代码如下:

# 导入必要的库
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 输入数据类别的个数
num_classes = int(input())

# 生成数据集
X = []
Y = []
for i in range(num_classes):
    for j in range(10):
        angle = (j + 1) * 3
        x = 3 * (i + 1) * np.cos(angle)
        y = 3 * (i + 1) * np.sin(angle)
        X.append([x, y])
        Y.append(i)
X = np.array(X)
Y = np.array(Y)

# 分割训练集和测试集
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.5, random_state=1)

# 构建支持向量机模型
model = SVC(kernel='rbf', gamma=20, decision_function_shape='ovo')

# 训练模型
model.fit(X_train, Y_train)

# 测试训练集精度
train_acc = model.score(X_train, Y_train)
print(f'accu of model for train set is {train_acc:.2f}')

# 测试测试集精度
test_acc = model.score(X_test, Y_test)
print(f'accu of model for test set is {test_acc:.2f}')