摘要：电离层是距离地面60千米以上的整个大气层，其存在大量的自由电子和离子，能改变无线电波传播方向并使其发生折射、反射等。因此知道一片区域电离层的好坏，对用无线电波传递信息的无线通信具有重要意义。

机器学习是通过对数据的研究让计算机拥有学习的能力，寻找数据的规律进而建立学习模型。本文对17组雷达回波数据进行分析研究，一共有 351个观察值，34 个输入变量和1个输出变量，输出为两个类别，一类为好，另一类为坏，因此这是一个二元分类问题。本文分别采用了支持向量机算法与朴素贝叶斯算法来构建学习模型，在测试集、训练集划分比例为2.5:7.5情况下，用支持向量机算法比用朴素贝叶斯算法构建的分类模型更优，最终能达到94%的分类准确率。

关键字：机器学习  支持向量机  朴素贝叶斯  预测

目录

摘要

Abstract

1．绪论-1

1.1研究背景及意义-1

1.2机器学习概述-1

1.3本文的章节安排-1

2．数据预处理-3

2.1导入标准库-3

2.2导入数据集-3

2.3重复数据的处理-3

2.4数据分类-4

2.5创建训练集和测试集-5

2.6特征缩放-5

3．分类模型的学习效果评价-7

3.1 准确率-7

3.2 精度、召回率、F1得分-7

3.3 AUC值与ROC曲线-8

4．数据特征缩放对分类模型的影响-9

4.1未对数据进行特征缩放-9

4.2对数据进行归一化处理-9

4.3对数据进行标准化处理-10

5．数据划分对分类模型的影响-11

5.1 train_test_split函数划分数据集-11

5.1.1 测试集与训练集的划分比例为1：9-11

5.1.2 测试集与训练集的划分比例为2：8-11

5.1.3 测试集与训练集的划分比例为3：7-12

5.2 cross_val_score交叉验证-12

5.2.1 将数据集分成10份-12

5.2.2 将数据集分成5份-13

6．支持向量机（SVM）-15

6.1支持向量机（SVM）算法概述-15

6.2 不同核函数对分类模型的影响-15

6.2.1线性核函数（linear）-15

6.2.2高斯核函数（rbf）-15

6.3 不同惩罚值对分类模型的影响-16

6.3.1惩罚值C=1与C=2-16

6.3.2不同惩罚值得到的模型准确率-17

7．朴素贝叶斯-19

7.1 朴素贝叶斯算法概述-19

7.2 GaussianNB与BernoulliNB-19

7.2.1 GaussianNB对分类模型的影响-19

7.2.2 BernoulliNB对分类模型的影响-19

8．总结与展望-21

8.1论文工作总结-21

8.2展望-21

参考文献-23

附录-24

致谢-26