读取指定离线鸢尾花数据集,按照要求完成如下任务. 1.1建立Logistic的3阶多项式; 1.2验证所有训练集,并输出准确率; 1.3绘制最终分类图;
时间: 2024-10-19 11:03:06 浏览: 25
python实现决策树莺尾花(代码+数据集) Jupyter Notebook打开.ipynb文件
首先,你需要确保已经安装了必要的数据分析库,如pandas、numpy和matplotlib,以及用于机器学习的scikit-learn库。Python的sklearn库包含了Iris数据集,这是一份经典的多分类问题数据。
1. **加载数据集**:
```python
import pandas as pd
from sklearn import datasets
# 加载离线鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
```
这里我们加载了数据并将其分为特征(X)和目标变量(y)。
2. **构建3阶多项式模型**:
```python
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LogisticRegression
# 创建PolynomialFeatures对象,设定最高次数为3
poly = PolynomialFeatures(degree=3)
X_poly = poly.fit_transform(X)
# 初始化Logistic回归模型
model = LogisticRegression()
```
3. **拟合模型并验证训练集**:
```python
model.fit(X_poly, y)
y_pred = model.predict(X_poly)
# 计算准确率
accuracy = model.score(X_poly, y)
print("训练集准确率:", accuracy * 100, "%")
```
4. **绘制分类图**:
```python
import matplotlib.pyplot as plt
# 将预测结果与真实标签绘制成散点图
plt.scatter(X[:, 2], X[:, 3], c=y_pred, cmap='viridis')
plt.xlabel('sepal width (cm)')
plt.ylabel('petal length (cm)')
plt.title('Iris分类图 (3阶多项式Logistic Regression)')
plt.legend(iris.target_names, title="Classes")
plt.show()
```
这部分展示了如何对鸢尾花数据集应用3阶多项式Logistic回归,并可视化分类结果。
阅读全文