利用回归算法对iris数据集进行分析

iris 数据集是一个有标签的数据集，所以可以使用监督学习中的回归算法对其进行分析。以下是使用线性回归算法对 iris 数据集进行分析的示例代码：

# 1. 导入数据集
data(iris)

# 2. 将特征和标签分开
x <- iris[, 1:4]
y <- iris[, 5]

# 3. 将数据集拆分为训练集和测试集
set.seed(123)
train_index <- createDataPartition(y, times = 1, p = 0.7, list = FALSE)
train_x <- x[train_index, ]
train_y <- y[train_index]
test_x <- x[-train_index, ]
test_y <- y[-train_index]

# 4. 创建线性回归模型
model <- lm(train_y ~ train_x)

# 5. 对测试集进行预测
predict_y <- predict(model, test_x)

# 6. 评估模型性能
mse <- mean((predict_y - test_y)^2)
rmse <- sqrt(mse)
r2 <- cor(predict_y, test_y)^2

# 7. 输出结果
cat("MSE:", mse, "\n")
cat("RMSE:", rmse, "\n")
cat("R-squared:", r2, "\n")

在上述代码中，我们首先导入 iris 数据集，将其特征和标签分开，然后将数据集拆分为训练集和测试集。接着，我们创建线性回归模型，并使用训练集对其进行拟合。最后，我们使用测试集进行预测，并评估模型的性能。在本例中，我们使用均方误差（MSE）、均方根误差（RMSE）和 R 平方值（R-squared）评估模型性能。