iris分为测试集和训练集的代码,利用训练集训练,测试集进行测试
时间: 2023-08-23 10:06:41 浏览: 30
以下是一个简单的Python代码示例,用于将Iris数据集随机分为训练集和测试集,并使用训练集训练模型并在测试集上进行测试:
```python
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
# 加载Iris数据集
iris = load_iris()
# 将数据集分为训练集和测试集(此处将20%的数据作为测试集)
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)
# 使用KNN算法进行分类
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = knn.predict(X_test)
# 计算准确率
accuracy = knn.score(X_test, y_test)
print("Accuracy:", accuracy)
```
在此示例中,我们使用sklearn库中的`load_iris`函数加载Iris数据集,然后使用`train_test_split`函数将数据集分为训练集和测试集。接下来,我们使用KNN算法进行分类,并在测试集上进行预测。最后,我们计算模型的准确率并打印出来。需要注意的是,这只是一个简单的示例,实际应用中可能需要进行更多的数据预处理和模型优化。