使用交叉验证的网络搜索对鸢尾花数据进行分类实验代码

在网络搜索中，特别是在机器学习领域，我们常常使用交叉验证（Cross Validation）来评估模型性能并选择最优参数。这里以Python的Scikit-learn库为例，我们将演示如何使用交叉验证对鸢尾花数据集（Iris dataset）进行KNN（K-Nearest Neighbors）分类实验。

首先，你需要安装必要的库：

pip install numpy pandas scikit-learn

然后，你可以使用以下代码：

import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.neighbors import KNeighborsClassifier

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 数据预处理（分割训练集和测试集）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建KNN分类器
knn = KNeighborsClassifier()

# 使用K折交叉验证
def cross_val_knn(k):
    knn.set_params(n_neighbors=k)  # 设置邻居数
    scores = cross_val_score(knn, X_train, y_train, cv=5)  # 5折交叉验证
    return scores.mean(), scores.std()

# 为不同的k值寻找最佳的K
best_k = 1
best_score = 0
for k in range(1, 21):  # 可能需要调整这个范围
    mean_score, std_dev = cross_val_knn(k)
    if mean_score > best_score:
        best_score = mean_score
        best_k = k

print(f"Best K: {best_k}, Mean Accuracy: {best_score}, Standard Deviation: {std_dev}")

# 训练最终模型
final_knn = KNeighborsClassifier(n_neighbors=best_k)
final_knn.fit(X_train, y_train)

# 测试模型
test_accuracy = final_knn.score(X_test, y_test)
print(f"Test Accuracy: {test_accuracy}")