python机器学习基础教程02-鸢尾花分类

初识数据

from sklearn.datasets import load_iris


if __name__ == '__main__':
    iris_dataset = load_iris()
    print("数据集的键为:\n{}".format(iris_dataset.keys()))
    # DESCR 数据集的简要说明
    print(iris_dataset['DESCR'][:193])
    # target_names 数组对应的是我们要预测的花的品种
    print("目标名字:{}".format(iris_dataset['target_names']))
    # feature_names 对每一个特征进行了说明
    print("特征的说明:{}".format(iris_dataset['feature_names']))
    # data中存放数据,对应feature_names里面的数据
    # sepal length (cm) 花萼长度
    # sepal width (cm) 花萼宽度
    # petal length (cm) 花瓣长度
    # petal width (cm) 花瓣宽度
    print("数据为:{}".format(iris_dataset['data']))
    print("数据为:{}".format(iris_dataset['data'].shape))
    # target表示品种,0代表setosa 1代表versicolor 2代表virginica
    print("品种为:{}".format(iris_dataset['target']))
    print("品种为:{}".format(iris_dataset['target'].shape))

训练数据与测试数据

train_test_split解释

from sklearn.model_selection import train_test_split

if __name__ == '__main__':
    # 参考上面
    # 得到训练数据和测试数据
    X_train,X_test,Y_train,Y_test = train_test_split(iris_dataset['data'],
                                                     iris_dataset['target'],random_state=0)
    print("X训练数据:{}".format(X_train.shape))
    print("Y训练数据:{}".format(Y_train.shape))
    print("X测试数据:{}".format(X_test.shape))
    print("Y测试数据:{}".format(Y_test.shape))

观察数据

import pandas as pd
from matplotlib.colors import ListedColormap
import matplotlib.pyplot as plt

if __name__ == '__main__':
    # 参考上面
    # 利用x_train中的数据创建DataFrame
    # 利用iris_dataset.feature_names中的字符串对数据列进行标记
    iris_dataframe = pd.DataFrame(X_train,columns=iris_dataset.feature_names)
    # 利用DataFrame创建散点图矩阵按照y_train着色
    cm3 = ListedColormap(['#0000aa', '#ff2020', '#50ff50'])
    pd.plotting.scatter_matrix(iris_dataframe, c=Y_train, figsize=(15, 15),
                               marker='o', hist_kwds={'bins': 20}, s=60,
                               alpha=.8, cmap=cm3)
    plt.show()

python机器学习基础教程02-鸢尾花分类_第1张图片

k邻近算法

from sklearn.neighbors import KNeighborsClassifier

if __name__ == '__main__':
    # 参考上面
    # k邻近算法,设置邻居的数目为1
    knn = KNeighborsClassifier(n_neighbors=1)
    knn.fit(X_train,Y_train)

预测数据

if __name__ == '__main__':
    # 参考上面
    # 预测数据
    # 新的鸢尾花,花萼长5cm,宽2.9cm,花瓣长1cm,宽0.2cm
    X_new = np.array([[5, 2.9, 1, 0.2]])
    prediction =knn.predict(X_new)
    print("预测结果为:{}".format(prediction))
    print("预测结果的种类为:{}".format(iris_dataset['target_names'][prediction]))

评估模型

if __name__ == '__main__':
    # 参考上面
    # 评估模型
    y_pred = knn.predict(X_test)
    print("预测结果:{}".format(y_pred))
    print("精度:{:.2f}".format(knn.score(X_test,Y_test)))
    


你可能感兴趣的:(python,机器学习,python,分类)