scikit-learn 学习总结 （一）——sklearn实现感知机（perceptron）

学习《python machine learning》 的第三章，A Tour of Machine Learning Classifiers Using scikit-learn

本章主要讲述 特征选择 和 数据预处理，以下算法实现都是基于sklearn的接口~~~~

生命不息，学习不止~ 哈哈哈哈

【训练一个机器学习模型的五大关键步骤：】

（1）选择特征，收集训练样本

（2）选择性能指标

（3）选择分类器和优化算法

（4）评估模型性能

（5）调整算法（调参）

【training a percetron】

sklearn中自带了一些数据集，比如iris数据集，Iris数据中data存储花瓣长宽（column0,1）和花萼长宽（column2,3）.

target存储花的分类，Iris-setosa , Iris-versicolor , and Iris-virginica ，分别存储为数字 0,1,2

【收集训练样本】

from sklearn import datasets
import numpy as np

iris = datasets.load_iris()
X = iris.data[:,[2, 3]]
y = iris.target
print(np.unique(y))

【  train_test_split   分为训练集和测试集】

train_test_split 将数据集分为训练集和测试集，test_size参数决定测试集的比例。

random_state参数是随机数生成种子，在分类前将数据打乱，保证数