鸢尾花机器学习实验

鸢尾花（Iris）数据集是机器学习中最著名的数据集之一，它包含了 150 个样本，分为 3 类，每类 50 个样本，每个样本包含 4 个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度。在这里，我将介绍如何使用 Python 和 Scikit-learn 库对鸢尾花数据集进行机器学习实验。

首先，我们需要导入 Scikit-learn 库和鸢尾花数据集：

from sklearn.datasets import load_iris
iris = load_iris()

接下来，我们可以查看数据集的一些基本信息：

print("数据集大小：", iris.data.shape)
print("数据集的特征名称：", iris.feature_names)
print("数据集的类别名称：", iris.target_names)

数据集大小： (150, 4)

数据集的特征名称： ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

数据集的类别名称： ['setosa' 'versicolor' 'virginica']

接着，我们可以将数据集分为训练集和测试集：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0)

然后，我们可以选择一个机器学习算法，例如决策树：

from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier()

接下来，我们使用训练集对模型进行训练：

clf.fit(X_train, y_train)

然后，我们可以使用测试集对模型进行评估：

from sklearn.metrics import accuracy_score
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

最后，我们可以使用训练好的模型进行预测：

y_pred = clf.predict([[5.1, 3.5, 1.4, 0.2]])
print("预测结果：", iris.target_names[y_pred])

以上就是使用 Python 和 Scikit-learn 进行鸢尾花机器学习实验的基本流程。