实现分类的机器学习算法代码

不同的机器学习算法有不同的实现方式和代码，以下是几种常见的分类算法的实现示例：

1. K-近邻算法（K-Nearest Neighbors）

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 创建KNN分类器
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)

# 输出准确率
print("Accuracy:", knn.score(X_test, y_test))

2. 决策树算法（Decision Tree）

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 创建决策树分类器
dt = DecisionTreeClassifier()

# 训练模型
dt.fit(X_train, y_train)

# 预测测试集结果
y_pred = dt.predict(X_test)

# 输出准确率
print("Accuracy:", dt.score(X_test, y_test))

3. 朴素贝叶斯算法（Naive Bayes）

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 创建朴素贝叶斯分类器
nb = GaussianNB()

# 训练模型
nb.fit(X_train, y_train)

# 预测测试集结果
y_pred = nb.predict(X_test)

# 输出准确率
print("Accuracy:", nb.score(X_test, y_test))

4. 支持向量机算法（Support Vector Machine）

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 创建支持向量机分类器
svm = SVC(kernel='linear')

# 训练模型
svm.fit(X_train, y_train)

# 预测测试集结果
y_pred = svm.predict(X_test)

# 输出准确率
print("Accuracy:", svm.score(X_test, y_test))

以上是几种常见的分类算法的代码实现，具体实现方式和参数设置可根据具体情况进行调整。