数据集

前六列代表一个卒和两个国外所在的位置(特征值)
最后一列draw代表和棋,其他代表只需对应的步数必然会分出胜负(目标值)

总样本数28056,其中正样本2796，负样本25260。
随机取5000个样本训练，其余测试。
样本标准化，在训练样本上，求出每个维度的均值和方差，在训练和测试样本上同时标准化。

高斯核：

CScale = [2 ^ (-5), 2 ^ 15]; gamma = [2 ^ (-15), 2 ^ 3];
遍历求识别率的最大值(利用网格搜索)。

代码

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.metrics import classification_report
from sklearn.svm import SVC

def svm_test():

    # 读取数据
    data = pd.read_csv("./krkopt.data")

    # 删除无效行
    data = data.dropna(axis=0)
	
	# 输出数据的基本信息
    # print(data.info())

    # 数据处理(使其满足特征处理的要求)
    data["draw"].replace("draw",1,inplace=True)
    data.draw[data["draw"] != 1] = -1
    data.replace("a", 1, inplace=True)
    data.replace("b", 2, inplace=True)
    data.replace("c", 3, inplace=True)
    data.replace("d", 4, inplace=True)
    data.replace("e", 5, inplace=True)
    data.replace("f", 6, inplace=True)
    data.replace("g", 7, inplace=True)
    data.replace("h", 8, inplace=True)
    data["1"] = data["1"].astype(int)
    data["2"] = data["2"].astype(int)
    data["3"] = data["3"].astype(int)

    # 分离特征值和目标值
    x = data.iloc[:,0:6]
    y = data["draw"]

    # 分割训练集和测试集
    x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.75)

    # 特征预处理-特征工程(标准化)
    std = StandardScaler()
    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)

    # 用SVM训练数据集
    svm_svc = SVC(kernel='rbf')


    # 设置参数的取值用于网格搜索
    ga_param = [2**i for i in range(-5,15)]
    c_param = [2**i for i in range(-15,3)]
    # ga_param = [0.0825]
    # c_param = [16]
    param = {
    
    "gamma":ga_param,"C":c_param}

    # 设置网格搜索的参数和5折交叉验证
    gc = GridSearchCV(svm_svc, param_grid=param, cv=5)

    # 进行训练
    gc.fit(x_train,y_train)

    # 查看预测结果
    y_predict = gc.predict(x_test)
    
    # 准确率和召回率
    print(classification_report(y_test,y_predict))

    # 预测准确率
    print("在测试集上准确率: ",gc.score(x_test,y_test))

    print("在交叉验证当中最好的结果: ",gc.best_score_)

    print("选择最好的模型是: ",gc.best_estimator_)

    print("每个超参数每次交叉验证的结果: ",gc.cv_results_)

    return None

if __name__=="__main__":

    svm_test()