机器学习 鸢尾花分类代码
时间: 2023-06-22 07:46:43 浏览: 74
好的,以下是一个简单的机器学习鸢尾花分类代码,使用了 sklearn 库中的 KNN(K-最近邻)算法:
```python
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
# 载入鸢尾花数据集
iris = load_iris()
# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3)
# 创建 KNN 分类器,K=3
knn = KNeighborsClassifier(n_neighbors=3)
# 训练模型
knn.fit(X_train, y_train)
# 预测测试集
y_pred = knn.predict(X_test)
# 输出准确率
print("Accuracy:", knn.score(X_test, y_test))
```
在这个例子中,我们使用 sklearn 库中的 `load_iris` 函数载入了鸢尾花数据集,然后使用 `train_test_split` 函数将数据集划分为训练集和测试集。接着,我们创建了一个 KNN 分类器,设置 K=3,然后使用 `fit` 函数训练模型。最后,我们使用测试集进行预测,并输出准确率。
相关问题
python机器学习鸢尾花
鸢尾花是一个常用的机器学习数据集,用于分类问题。下面是使用Python进行鸢尾花分类的示例代码:
```python
# 引入所需库和数据集
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import Perceptron
from sklearn.metrics import accuracy_score
# 加载鸢尾花数据集
iris_dataset = load_iris()
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris_dataset.data, iris_dataset.target, test_size=0.2, random_state=0)
# 创建感知机模型
model = Perceptron()
# 使用训练集训练模型
model.fit(X_train, y_train)
# 使用测试集进行预测
y_pred = model.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}".format(accuracy))
```
这段代码使用了`sklearn`库中的`Perceptron`模型来进行鸢尾花分类。首先,我们将数据集分为训练集和测试集,然后创建感知机模型并使用训练集进行训练。最后,使用测试集进行预测,并计算准确率。
机器学习鸢尾花数据集knn算法源代码
以下是机器学习鸢尾花数据集KNN算法的Python源代码:
```
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
# 加载鸢尾花数据集
iris = load_iris()
# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3)
# 创建KNN分类器对象,选择k=3
knn = KNeighborsClassifier(n_neighbors=3)
# 训练模型
knn.fit(X_train, y_train)
# 预测测试集结果
y_pred = knn.predict(X_test)
# 计算模型准确率
accuracy = np.mean(y_pred == y_test)
# 打印模型准确率
print("模型准确率为:", accuracy)
```
注意,这个源代码中需要使用sklearn、numpy等Python库,需要在运行代码前先安装这些库。另外,在运行代码前需要将代码中的路径和其他参数根据具体情况进行修改。