机器学习 鸢尾花分类代码

好的，以下是一个简单的鸢尾花分类代码示例：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

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

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练模型
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

# 计算准确率
acc = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(acc * 100))

这个代码使用了决策树模型来对鸢尾花进行分类，并在测试集上计算了分类准确率。你可以根据自己的需要使用其他的机器学习算法进行分类。

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：

# 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。

请写出机器学习中完整的鸢尾花分类代码

由于机器学习中鸢尾花分类问题是一个经典的示例，因此在许多机器学习教程和库中都有相关的代码示例。以下是一个使用Scikit-learn库的完整鸢尾花分类代码：

# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.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.data, iris.target, test_size=0.3)

# 初始化KNN分类器
knn = KNeighborsClassifier()

# 训练模型
knn.fit(X_train, y_train)

# 预测测试集数据
y_pred = knn.predict(X_test)

# 计算模型准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

这段代码首先从Scikit-learn库中导入所需的模块和类，然后加载鸢尾花数据集并将其分为训练集和测试集。接下来，通过初始化KNN分类器并使用训练数据来训练模型。最后，使用测试集数据进行预测，并计算模型的准确率。