以鸢尾花数据集iris.csv为例，训练sklearn中的多种分类模型，并对比其分类效果

鸢尾花数据集（Iris dataset）是一个经典的机器学习入门案例，通常用于演示各种分类算法的效果。它包含150个样本，每个样本有四个连续变量（花瓣长度、花瓣宽度、萼片长度和萼片宽度），以及一个类别标签（三种鸢尾花品种）。使用sklearn库中的几种常见的分类模型对这个数据集进行训练，可以包括线性回归（Linear Regression, 不适用于分类）、决策树（Decision Tree）、K近邻（K-Nearest Neighbors, KNN）、朴素贝叶斯（Naive Bayes）、支持向量机（SVM）等。
以下是步骤概述：

导入所需库并加载数据：
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score, classification_report
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.svm import SVC
登录后复制

加载和预处理数据：
iris = load_iris()
df = pd.DataFrame(data=iris.data, columns=iris.feature_names)
df['target'] = iris.target
X_train, X_test, y_train, y_test = train_test_split(df.drop('target', axis=1), df['target'], test_size=0.2, random_state=42)
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
登录后复制

训练和评估模型：
models = {
'Linear Regression': LinearRegression(),
'Decision Tree': DecisionTreeClassifier(),
'KNN': KNeighborsClassifier(n_neighbors=3),
'Naive Bayes': GaussianNB(),
'SVM': SVC(kernel='linear')
}

for name, model in models.items():
model.fit(X_train_scaled, y_train)
predictions = model.predict(X_test_scaled)
print(f"{name} - Accuracy: {accuracy_score(y_test, predictions)}\n{classification_report(y_test, predictions)}\n")
登录后复制
这里展示了每种模型的预测准确性和详细的分类报告。