针对鸢尾花问题使用sk-learn库训练模型

鸢尾花的种类主要分为：变色鸢尾花、维吉尼亚鸢尾花、山鸢尾花
鸢尾花的种类的划分主要是根据：花萼长度，花萼宽度，花瓣长度，花瓣宽度
通过使用python来建立一个模型来自己学习各个种类鸢尾花的特点，根据学习到的经验去自动帮我划分不同种类的鸢尾花。

1、使用sk-learn库来导入鸢尾花数据，使用train_test_split函数和创建一个K近邻算法。
（得到一个题库，题库里面存储有题目和答案）

#!/usr/bin/env python
# -*- coding:utf-8 -*-
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn import datasets

iris = datasets.load_iris()
print(iris)

2、将数据集中的鸢尾花的数据放在iris_X中。
（将题目放在iris_X里面储存）

iris_X = iris.data
print(iris_X)

3、将数据集中的目标放入iris_y
（将答案放在iris_y里面存储）

iris_y = iris.target
# print(iris_y)

4、将源数据划分为测试集和训练集数据
（将问题和答案按比例划分为模拟题类和真题类）

X_train, X_test, y_train, y_test = train_test_split(iris_X, iris_y, test_size=0.3)

5、设置knn分类器
（将题型相近的进行分类）

knn = KNeighborsClassifier(n_neighbors=5)

6、#进行模型训练
（模型通过模拟题进行练习学到有关于鸢尾花种类的知识）

knn.fit(X_train, y_train)

7、定义目标预测值 = knn模型根据X_test预测出来的值
（得到模型预测真题的答案）

y_predict = knn.predict(X_test)

8、输出一下模型的预测值

print("模型的预测值为：",y_predict)

对于输出的数字，可以理解为：1是代表山鸢尾花，2是代表维吉尼亚鸢尾花，3是代表变色鸢尾花

9、输出目标测试值
（既然模型已经对答案进行了预测，接下来是时候揭晓真正的答案了。看看模型预测得准不准。）

print("目标测试值为：y_test")

这次似乎测得挺准的呢，全测对了。（不过每一次测它的预测结果都不太一样）

10、用公式对预测值和测试值进行计算，算出其准确率
（通过计算答对了多少题，然后计算其答题的准确率）

print("准确率：%f"%knn.score(X_test, y_test))

这次预测错了2个，所以准确率是93.33%（其实模型也不可能每次都能预测准确的，淡定）