scikit-learn红酒数据集
时间: 2024-06-22 18:02:46 浏览: 10
Scikit-learn的红酒数据集(Wine Dataset)是一个经典的机器学习数据集,它源自于1986年的一个研究项目,用来分析葡萄酒的品质。这个数据集包含13种特征,如色泽、嗅觉特征等,以及三种不同类型的红酒(赤霞珠、品丽珠和梅洛)。共有178个样本,每个样本对应一组特征值和对应的葡萄酒类型。
这个数据集主要用于回归或分类任务,是初学者入门机器学习和数据分析的好例子,因为它简单易懂,但又包含了一些实际问题中的特征工程和模型选择挑战。
相关问题
scikit-learn有小型数据集吗
是的,scikit-learn库中包含了一些小型数据集,这些数据集通常用于测试和演示目的。这些数据集可以通过scikit-learn的datasets模块进行访问和加载。以下是一些常见的小型数据集:
1. iris数据集:一个经典的用于分类问题的数据集,包含了三种不同种类的鸢尾花的测量数据。
2. digits数据集:一个手写数字图像分类任务的数据集,包含了一些预处理后的数字图像数据。
3. wine数据集:一个用于分类问题的数据集,包含了三种不同种类的葡萄酒的化学成分数据。
4. boston房价数据集:一个用于回归问题的数据集,包含了波士顿地区房价的相关数据。
以上是一些常见的小型数据集,你可以通过以下方式加载它们:
```python
from sklearn import datasets
# 加载iris数据集
iris = datasets.load_iris()
# 加载digits数据集
digits = datasets.load_digits()
# 加载wine数据集
wine = datasets.load_wine()
# 加载boston房价数据集
boston = datasets.load_boston()
```
使用scikit-learn对葡萄酒数据集使用决策树算法进行分类,并对分类数据进行可视化。 (数据集基于sklearn的wine数据集)
好的,下面是代码:
```python
# 导入需要的库和数据集
from sklearn.datasets import load_wine
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
# 加载数据集
wine = load_wine()
# 划分训练集和测试机,比例为7:3
X_train, X_test, y_train, y_test = train_test_split(wine.data, wine.target, test_size=0.3, random_state=42)
# 创建决策树模型
clf = DecisionTreeClassifier(random_state=0)
# 训练模型
clf.fit(X_train, y_train)
# 可视化决策树
plot_tree(clf, filled=True, fontsize=8)
plt.show()
# 预测测试集
y_pred = clf.predict(X_test)
# 输出准确率
print(f"Accuracy: {clf.score(X_test, y_test)}")
```
运行结果如下:
![image.png](attachment:image.png)
可以看到,决策树的可视化结果非常直观,可以帮助我们理解模型的决策过程。同时,我们也可以通过输出准确率来评估模型的性能。
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)