PAGEPAGE2學(xué)號(hào)組長成員1成員2成員3大數(shù)據(jù)分析技術(shù)課程設(shè)計(jì)課題鉆石品質(zhì)的識(shí)別學(xué)生姓名組長成員1成員2成員3院部數(shù)學(xué)與計(jì)算機(jī)學(xué)院專業(yè)班級(jí)指導(dǎo)教師二○二*年六月PAGE3目錄摘要 3一．問題描述 1二．?dāng)?shù)學(xué)建模 22.1問題分析 22.2符號(hào)系統(tǒng) 22.3合理的簡化的假設(shè) 22.4模型建立 2三．系統(tǒng)開發(fā) 33.1系統(tǒng)設(shè)計(jì) 33.1.1系統(tǒng)參數(shù)說明 33.1.2系統(tǒng)架構(gòu) 33.2系統(tǒng)實(shí)現(xiàn) 33.3系統(tǒng)使用說明 4四．結(jié)論 5參考文獻(xiàn) 6摘要從總體上闡述文章要解決的問題、分析問題的主要思路、針對(duì)問題建立的模型以及最終的計(jì)算結(jié)果，摘要內(nèi)容不少于500字。關(guān)鍵詞：列出文章中出現(xiàn)的關(guān)鍵詞匯及數(shù)學(xué)用語。PAGE7一．問題描述鉆石（Diamonds）數(shù)據(jù)集是python自帶數(shù)據(jù)集。該數(shù)據(jù)集包含了53940顆鉆石的重量、切割質(zhì)量、顏色、純度、深度、臺(tái)面、價(jià)格、長x、寬y、高z共十個(gè)特征，詳情見文件鉆石數(shù)據(jù)集.xlsx中“鉆石相關(guān)數(shù)據(jù)”表。其中相應(yīng)特征的含義見圖1及表1。圖1鉆石示意圖表1鉆石十個(gè)特征的具體含義序號(hào)特征含義1克拉鉆石的重量2切割質(zhì)量鉆石的切工，有5個(gè)等級(jí)，由低到高依次為Fair（最低）、Good、VeryGood、Premium、Ideal（最高）3顏色從J（最差）到D（最好）4純度鉆石的純凈度，從低到高依次為I1（最差）、SI2、SI1、VS2、VS1、VVS2、VVS1、IF（最佳）5深度鉆石的總深度，由X,Y,Z計(jì)算而得：深度=100×6臺(tái)面鉆石的臺(tái)面比例7價(jià)格以美元計(jì)價(jià)8長(X)鉆石長度，單位：mm9寬(Y)鉆石寬度，單位：mm10高(Z)鉆石高度，單位：mm本設(shè)計(jì)需要完成下述任務(wù)：有理由相信，鉆石價(jià)格體現(xiàn)了鉆石的品質(zhì)。試由“鉆石相關(guān)數(shù)據(jù)”表分析影響價(jià)格的因素有哪些？給出對(duì)價(jià)格影響由大到小的因素的順序。試根據(jù)表“鉆石相關(guān)數(shù)據(jù)”建立價(jià)格由其他9個(gè)特征表征的數(shù)學(xué)模型，對(duì)模型進(jìn)行評(píng)估，并應(yīng)用于預(yù)測(cè)“待識(shí)別鉆石”表中77顆鉆石的價(jià)格。鉆石價(jià)格是對(duì)鉆石品質(zhì)的精細(xì)刻畫，但有時(shí)對(duì)鉆石品質(zhì)的描述不必如此細(xì)致，按等級(jí)來描述鉆石的品質(zhì)更為常見。請(qǐng)自擬標(biāo)準(zhǔn)對(duì)表“鉆石相關(guān)數(shù)據(jù)”中的價(jià)格分為5個(gè)等級(jí)，建立鉆石等級(jí)模型，并應(yīng)用于預(yù)測(cè)“待識(shí)別鉆石”表中77顆鉆石的等級(jí)。將上述解答過程整理為一個(gè)通用的鉆石品質(zhì)識(shí)別模型，并通過Python或其它語言實(shí)現(xiàn)后封裝為鉆石品質(zhì)識(shí)別函數(shù)，供相關(guān)單位或個(gè)人使用。注：需附使用說明。

二．?dāng)?shù)學(xué)建模2.1問題分析2.2符號(hào)系統(tǒng)2.3合理的簡化的假設(shè)2.4模型建立2.5模型求解

三．系統(tǒng)開發(fā)將前面研究結(jié)果集成為一個(gè)系統(tǒng)。3.1系統(tǒng)設(shè)計(jì)3.1.1系統(tǒng)參數(shù)說明一、輸入?yún)?shù)二、輸出參數(shù)3.1.2系統(tǒng)架構(gòu)AppSVM建模SVC訓(xùn)練fit評(píng)估內(nèi)預(yù)測(cè)準(zhǔn)確率accuracy_score預(yù)測(cè)3.2系統(tǒng)實(shí)現(xiàn)#集成開始#〇、導(dǎo)庫fromsklearn.svmimportSVC#導(dǎo)入數(shù)據(jù)分割函數(shù)：將數(shù)據(jù)分割為訓(xùn)練集和測(cè)試集fromsklearn.model_selectionimporttrain_test_split#導(dǎo)入模型評(píng)估函數(shù)fromsklearn.metricsimportaccuracy_score#一、算法集成defAppSVM(X,y,data,c=1,kernel='rbf',gamma=2,test_size=0.3):#輸入?yún)?shù)說明~~~~~~~~~#1.X,y=對(duì)象在其特征上的觀測(cè)數(shù)據(jù)及其對(duì)應(yīng)的類別，都是數(shù)據(jù)框，是已經(jīng)完成預(yù)處理的數(shù)據(jù)。#2.data=待識(shí)別對(duì)象在其特征上的觀測(cè)值，是一個(gè)數(shù)據(jù)框，是已經(jīng)完成預(yù)處理的數(shù)據(jù)。#3.支持向量機(jī)參數(shù)設(shè)置#c=懲罰因子，應(yīng)用于SVC；默認(rèn)參數(shù)，默認(rèn)值為1。#kernel=指定支持向量機(jī)的核函數(shù)；默認(rèn)參數(shù)，默認(rèn)值為“rbf”（高斯核函數(shù)）。#gamma=僅當(dāng)核函數(shù)為“rbf”時(shí)有效，是平衡支持向量個(gè)數(shù)的參數(shù)：#gamma越大，支持向量越少，gamma值越小，支持向量越多；#默認(rèn)參數(shù)，默認(rèn)值為1。#4.test_size=X,y中數(shù)據(jù)用于測(cè)試的比例，默認(rèn)參數(shù)，默認(rèn)值為0.3。#輸出參數(shù)說明~~~~~~~~~#1.results=字典型數(shù)據(jù)，其鍵為：#labels=對(duì)應(yīng)的預(yù)測(cè)結(jié)果#accuracy=模型的識(shí)別準(zhǔn)確率，包含回代準(zhǔn)確率和測(cè)試準(zhǔn)確率#套路開始#1.建模model=SVC(C=c,kernel=kernel,gamma=gamma)#2.訓(xùn)練#2.1分割訓(xùn)練集和測(cè)試集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=test_size,random_state=42)#2.2訓(xùn)練模型model.fit(X_train,y_train)#3.評(píng)估#3.1系統(tǒng)內(nèi)預(yù)測(cè)以計(jì)算預(yù)測(cè)準(zhǔn)確率#3.1.1回代預(yù)測(cè)y_pred_train=model.predict(X_train)#3.1.2測(cè)試預(yù)測(cè)y_pred_test=model.predict(X_test)#3.2據(jù)內(nèi)預(yù)測(cè)結(jié)果計(jì)算預(yù)測(cè)準(zhǔn)確率#3.2.1回代準(zhǔn)確性acc_train=accuracy_score(y_train,y_pred_train)print("訓(xùn)練集預(yù)測(cè)準(zhǔn)確率：",acc_train)#3.2.2測(cè)試準(zhǔn)確性acc_test=accuracy_score(y_test,y_pred_test)print("測(cè)試集預(yù)測(cè)準(zhǔn)確率：",acc_test)#4.預(yù)測(cè)labels=model.predict(data)#5.輸出結(jié)果--results={}results['預(yù)測(cè)類別'