实验目的: 学会使用分类算法对数据集进行分类,并对比不同分类算法的准确性。 数据集描述:要求包含1000以上的样本量,8个样本属性。 实验要求: 1. 使用K近邻算法和决策树算法对样本进行分类。 2. 按4:1的比例划分训练集和测试集。 3. 分别计算两种算法的准确率并对比得到更适用的决策算法。列出详细的代码程序
时间: 2024-02-22 10:56:16 浏览: 61
好的,根据您的要求,我们需要选择一个包含1000以上样本量和8个样本属性的数据集进行分类实验,并且需要提供详细的代码程序。以下是一个可选的数据集示例:
数据集名称:Iris
数据来源:UCI Machine Learning Repository
数据集描述:该数据集包含三种不同的鸢尾花,共有4个属性,包括花萼长度、花萼宽度、花瓣长度和花瓣宽度。目标变量为鸢尾花的类别,共有3个类别:setosa、versicolor和virginica。数据集包含150个样本。
实验要求:
1. 使用K近邻算法和决策树算法对样本进行分类。
2. 按4:1的比例划分训练集和测试集。
3. 分别计算两种算法的准确率并对比得到更适用的决策算法。
以下是Python代码程序,使用scikit-learn库实现:
```python
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
# 导入数据集
iris = load_iris()
X = iris.data
y = iris.target
# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# K近邻算法
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)
knn_pred = knn.predict(X_test)
knn_acc = accuracy_score(y_test, knn_pred)
print("K近邻算法准确率:", knn_acc)
# 决策树算法
dt = DecisionTreeClassifier()
dt.fit(X_train, y_train)
dt_pred = dt.predict(X_test)
dt_acc = accuracy_score(y_test, dt_pred)
print("决策树算法准确率:", dt_acc)
# 对比结果并选择更适用的算法
if knn_acc > dt_acc:
print("K近邻算法更适用")
else:
print("决策树算法更适用")
```
希望以上代码程序和步骤可以帮助到您完成实验!
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)