import ... iris = datasets.load_iris() from sklearn.preprocessing import MinMaxScaleriris_data=MinMaxScaler().fit_transform(iris.data)pnint(ini.s...data[0.:.5..;J) iris_df=pd.DataFrame(iris_data,columns=[ ' Sepal Length ', 'Sepal Width ', 'Petal Length ',' Petal iris_df[ 'target ' ]=iris.target fnom sklearn.model_selection import train_test_split X_train,X_test,y_train,y_test = train_test_split(iris_df.iloc[ :,0:4], inis..df[ 'target ' ], random_state=.14) from sklearn.neighbors import KNeighborsClassifierknn = KNeighborsClassifier() knn.fit(X_train, y_train) y_predicted = knn.predict(x_test) accuracy = np.mean(y_predicted == y_test) *109print( '当前分类评估器是:knn ') print( '当前Accuracy是:%.1f' %accuracy + '%')使用的算法
时间: 2024-04-23 07:24:52 浏览: 248
sklearn机器学习iris数据集(含说明)
这段代码使用了K近邻算法对鸢尾花数据集进行了分类,并输出了分类的准确率。
具体来说,首先,我们使用datasets.load_iris()函数从sklearn.datasets中加载鸢尾花数据集,并使用MinMaxScaler()函数对数据集进行了归一化处理。
然后,我们使用train_test_split()函数将鸢尾花数据集划分成了训练集和测试集,其中训练集占比为75%。
接着,我们创建了一个KNeighborsClassifier()类的实例knn,并使用fit()方法在训练集上拟合了K近邻模型。
接下来,我们使用predict()方法对测试集进行预测,并将预测结果保存到y_predicted中。使用np.mean()函数计算预测准确率,并将结果保存到accuracy中。
最后,我们输出分类评估器的名称和准确率。
阅读全文