Iris数据集的Fisher线性分类及可视化

最新推荐文章于 2023-04-12 14:17:24 发布
最新推荐文章于 2023-04-12 14:17:24 发布
阅读量1.1k 收藏 7
点赞数
分类专栏： 人工智能与机器学习 文章标签： 可视化 人工智能 python numpy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Time_book/article/details/105931015
版权

文章目录

一、线性分类及准确率

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt 
path=r'F:/人工智能与机器学习/iris.csv'
df = pd.read_csv(path, header=0)
Iris1=df.values[0:50,0:4]
Iris2=df.values[50:100,0:4]
Iris3=df.values[100:150,0:4]
m1=np.mean(Iris1,axis=0)
m2=np.mean(Iris2,axis=0)
m3=np.mean(Iris3,axis=0)
s1=np.zeros((4,4))
s2=np.zeros((4,4))
s3=np.zeros((4,4))
for i in range(0,30,1):
    a=Iris1[i,:]-m1
    a=np.array([a])
    b=a.T
    s1=s1+np.dot(b,a)    
for i in range(0,30,1):
    c=Iris2[i,:]-m2
    c=np.array([c])
    d=c.T
    s2=s2+np.dot(d,c) 
    #s2=s2+np.dot((Iris2[i,:]-m2).T,(Iris2[i,:]-m2))
for i in range(0,30,1):
    a=Iris3[i,:]-m3
    a=np.array([a])
    b=a.T
    s3=s3+np.dot(b,a) 
sw12=s1+s2
sw13=s1+s3
sw23=s2+s3
#投影方向
a=np.array([m1-m2])
sw12=np.array(sw12,dtype='float')
sw13=np.array(sw13,dtype='float')
sw23=np.array(sw23,dtype='float')
#判别函数以及T
#需要先将m1-m2转化成矩阵才能进行求其转置矩阵
a=m1-m2
a=np.array([a])
a=a.T
b=m1-m3
b=np.array([b])
b=b.T
c=m2-m3
c=np.array([c])
c=c.T
w12=(np.dot(np.linalg.inv(sw12),a)).T
w13=(np.dot(np.linalg.inv(sw13),b)).T
w23=(np.dot(np.linalg.inv(sw23),c)).T
#print(m1+m2) #1x4维度  invsw12 4x4维度  m1-m2 4x1维度
T12=-0.5*(np.dot(np.dot((m1+m2),np.linalg.inv(sw12)),a))
T13=-0.5*(np.dot(np.dot((m1+m3),np.linalg.inv(sw13)),b))
T23=-0.5*(np.dot(np.dot((m2+m3),np.linalg.inv(sw23)),c))
kind1=0
kind2=0
kind3=0
newiris1=[]
newiris2=[]
newiris3=[]
for i in range(30,49):
    x=Iris1[i,:]
    x=np.array([x])
    g12=np.dot(w12,x.T)+T12
    g13=np.dot(w13,x.T)+T13
    g23=np.dot(w23,x.T)+T23
    if g12>0 and g13>0:
        newiris1.extend(x)
        kind1=kind1+1
    elif g12<0 and g23>0:
        newiris2.extend(x)
    elif g13<0 and g23<0 :
        newiris3.extend(x)
#print(newiris1)
for i in range(30,49):
    x=Iris2[i,:]
    x=np.array([x])
    g12=np.dot(w12,x.T)+T12
    g13=np.dot(w13,x.T)+T13
    g23=np.dot(w23,x.T)+T23
    if g12>0 and g13>0:
        newiris1.extend(x)
    elif g12<0 and g23>0:
 
        newiris2.extend(x)
        kind2=kind2+1
    elif g13<0 and g23<0 :
        newiris3.extend(x)
for i in range(30,50):
    x=Iris3[i,:]
    x=np.array([x])
    g12=np.dot(w12,x.T)+T12
    g13=np.dot(w13,x.T)+T13
    g23=np.dot(w23,x.T)+T23
    if g12>0 and g13>0:
        newiris1.extend(x)
    elif g12<0 and g23>0:     
        newiris2.extend(x)
    elif g13<0 and g23<0 :
        newiris3.extend(x)
        kind3=kind3+1
#花瓣与花萼的长度散点图
plt.scatter(df.values[:50, 3], df.values[:50, 1], color='red', marker='o', label='setosa')
plt.scatter(df.values[50:100, 3], df.values[50: 100, 1], color='blue', marker='x', label='versicolor')
plt.scatter(df.values[100:150, 3], df.values[100: 150, 1], color='green', label='virginica')
plt.xlabel('petal length')
plt.ylabel('sepal length')
plt.title("花瓣与花萼长度的散点图")
plt.rcParams['font.sans-serif']=['SimHei'] #显示中文标签
plt.rcParams['axes.unicode_minus']=False
plt.legend(loc='upper left')
plt.show()
 
#花瓣与花萼的宽度度散点图
plt.scatter(df.values[:50, 4], df.values[:50, 2], color='red', marker='o', label='setosa')
plt.scatter(df.values[50:100, 4], df.values[50: 100, 2], color='blue', marker='x', label='versicolor')
plt.scatter(df.values[100:150, 4], df.values[100: 150, 2], color='green', label='virginica')
plt.xlabel('petal width')
plt.ylabel('sepal width')
plt.title("花瓣与花萼宽度的散点图")
plt.legend(loc='upper left')
plt.show()
 
correct=(kind1+kind2+kind3)/60
print("样本类内离散度矩阵S1：",s1,'\n')
print("样本类内离散度矩阵S2：",s2,'\n')
print("样本类内离散度矩阵S3：",s3,'\n')
print('-----------------------------------------------------------------------------------------------')
print("总体类内离散度矩阵Sw12：",sw12,'\n')
print("总体类内离散度矩阵Sw13：",sw13,'\n')
print("总体类内离散度矩阵Sw23：",sw23,'\n')
print('-----------------------------------------------------------------------------------------------')
print('判断出来的综合正确率：',correct*100,'%')

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

二、数据可视化

导入库

import numpy as np
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
import seaborn as sns

读取数据

data = pd.read_csv(r'F:/人工智能与机器学习/iris.csv')

1.前五行数据

data.head()
IdSepalLengthSepalWidthPetalLengthPetalWidthSpecies
015.13.51.40.2setosa
124.93.01.40.2setosa
234.73.21.30.2setosa
344.63.11.50.2setosa
455.03.61.40.2setosa

2.后五行数据

data.tail()
IdSepalLengthSepalWidthPetalLengthPetalWidthSpecies
1451466.73.05.22.3virginica
1461476.32.55.01.9virginica
1471486.53.05.22.0virginica
1481496.23.45.42.3virginica
1491505.93.05.11.8virginica

3.数据描述

data.describe()
IdSepalLengthSepalWidthPetalLengthPetalWidth
count150.000000150.000000150.000000150.000000150.000000
mean75.5000005.8433333.0573333.7580001.199333
std43.4453680.8280660.4358661.7652980.762238
min1.0000004.3000002.0000001.0000000.100000
25%38.2500005.1000002.8000001.6000000.300000
50%75.5000005.8000003.0000004.3500001.300000
75%112.7500006.4000003.3000005.1000001.800000
max150.0000007.9000004.4000006.9000002.500000

4.对每种特征计数

data.Species.value_counts()

virginica 50
setosa 50
versicolor 50
Name: Species, dtype: int64

可视化操作

1.绘制花萼的长度与宽度的散点图与直方图

sns.jointplot(x="SepalLength",y="SepalWidth",data=data,kind='scatter');
plt.show()

在这里插入图片描述

2.绘制花瓣的长度与宽度的散点图与直方图

sns.jointplot(x="PetalLength",y="PetalWidth",data=data,kind='scatter');
plt.show()

在这里插入图片描述

3.绘制花萼的长度与宽度的折线图

sns.lineplot(x="SepalLength",y="SepalWidth",hue='Species',data=data)
plt.show()

在这里插入图片描述

4.绘制花瓣的长度与宽度的折线图

sns.lineplot(x="PetalLength",y="PetalWidth",hue='Species',data=data)
plt.show()

在这里插入图片描述

5.绘制花萼的长度与宽度的散点图

sns.relplot(x="SepalLength",y="SepalWidth",hue='Species',data=data)
plt.show()

在这里插入图片描述

6.绘制花瓣的长度与宽度的散点图

sns.relplot(x="PetalLength",y="PetalWidth",hue='Species',data=data)
plt.show()

在这里插入图片描述

7.绘制花萼长度的直方图

sns.distplot(data.SepalLength,bins=8,hist=True,kde=False)

在这里插入图片描述

8.绘制花萼宽度的直方图

sns.distplot(data.SepalWidth,bins=8,hist=True,kde=False)

在这里插入图片描述

9.绘制花瓣长度的直方图

sns.distplot(data.PetalLength,bins=5,hist=True,kde=False)

在这里插入图片描述

10.绘制花瓣宽度的直方图

sns.distplot(data.PetalWidth,bins=5,hist=True,kde=False)

在这里插入图片描述

11.绘制箱线图

sns.boxplot(x='SepalLength',data=data)

在这里插入图片描述

为了更加直观的观察四个属性的关系，将其放入一个图中

#对于每个属性的data创建一个新的DataFrame
Iris1 = pd.DataFrame({"Id": np.arange(1,151), 'Attribute': 'SepalLengthCm', 'Data':data.SepalLength, 'Species':data.Species})
Iris2 = pd.DataFrame({"Id": np.arange(151,301), 'Attribute': 'SepalWidthCm', 'Data':data.SepalWidth, 'Species':data.Species})
Iris3 = pd.DataFrame({"Id": np.arange(301,451), 'Attribute': 'PetalLengthCm', 'Data':data.PetalLength, 'Species':data.Species})
Iris4 = pd.DataFrame({"Id": np.arange(451,601), 'Attribute': 'PetalWidthCm', 'Data':data.PetalWidth, 'Species':data.Species})
#将四个DataFrame合并为一个.
Iris = pd.concat([Iris1, Iris2, Iris3, Iris4])
#绘制箱线图
sns.boxplot(x='Attribute', y='Data', data=Iris)

在这里插入图片描述

将三种鸢尾花进行对比

sns.boxplot(x='Attribute', y='Data',hue='Species', data=Iris)

在这里插入图片描述

12.绘制分布图

sns.pairplot(data.drop('Id',axis=1),hue='Species')
plt.show()

在这里插入图片描述

参考文章

http://bob0118.club/?p=268

Time ??
关注
专栏目录
Iris植物分类数据可视化(散点图)(python-nvd3)
星际老男孩
06-03 1485
from nvd3 import scatterChart import pandas as pd #scikit-learn 库内置著名的Iris植物分类数据集 from sklearn.datasets import load_iris # 源数据data读取 dataset = load_iris() data = pd.DataFrame(dataset.data,columns = ('...
Iris数据集可视化
weixin_41443460的博客
05-06 3491
Fisher数据可视化 去掉Species特征中的’Iris-'字符 Seaborn可视化 palette调色板 sns初始化，set()设置主题、调色板 relplot hue 联合分布 jointplot displot boxplot violinplot pairplot Fisher数据可视化 import pandas as pd df_Iris = pd.read...
fisheriris数据集
02-25
fisheriris数据集
python写的逻辑回归和线性回归做iris分类
03-01
python写的逻辑回归和线性回归做iris分类，在spyder中运行通过，希望对有兴趣的同学有用。 代码中给出了注释。
Iris数据集的 Fisher线性分类以及数据可视化
01-20
这用Jupyter完成Iris数据集的 Fisher线性分类，并学习数据可视化技术 。里写目录标题用Jupyter完成Iris数据集的 Fisher线性分类，并学习数据可视化技术 。一、完成Iris数据集的 Fisher线性分类判断准确率二、学习...
机器学习–Iris数据集的Fisher线性分类以及数据可视化技术的学习
12-20
【Iris数据集的Fisher线性分类】 在机器学习领域，Iris数据集是一个经典且广泛使用的数据集，主要用于教学和演示各种分类算法。Fisher线性分类，也称为Fisher判别分析（Fisher's Linear Discriminant Analysis, LDA...
用Jupyter notebook完成Iris数据集的 Fisher线性分类，并学习数据可视化技术
12-20
总的来说，通过Jupyter Notebook进行Iris数据集的Fisher线性分类，不仅可以实现有效的分类任务，还能借助数据可视化技术更直观地理解数据结构和分类效果。同时，LDA作为降维工具，可以帮助我们在理解和探索复杂数据...
人工智能基础学习： 用Jupyter完成Iris数据集的 Fisher线性分类，并学习数据可视化技术
12-20
在本篇人工智能基础学习中，我们将探讨如何使用Jupyter Notebook对Iris数据集进行Fisher线性分类，并学习数据可视化技术。Iris数据集是一个经典的多类分类问题，源自生物学家Edwin Fisher的研究，其中包含了150个...
利用线性函数实现鸢尾花数据集分类
winycg的博客
05-04 5199
从鸢尾花数据集中挑选山鸢尾(iris-Setosa)和变色鸢尾(iris-Versicolor) 两种花的信息作为测试数据。出于可视化的原因，只考虑数据集中萼片长度(sepla length)和花瓣长度(petal length)这两个特征。 import pandas as pd df = pd.read_csv(r'http://archive.ics.uci.edu/ml/m...
MATLAB数据集fisheriris 分类数据.xls
08-13
MATLAB数据集fisheriris 用于分类识别、机器学习、计算机视觉等领域。
iris数据集
04-11
鸢尾花数据集，包含训练集和测试集。其中训练集有120个样本，测试集有30个样本，每个样本有5个值，前四个为特征，最后一个是标签（花的品种）。0代表setosa，1代表versicolor，2代表virginica
Iris.xlsx(鸢尾花数据集)
05-07
本资源就是python等各大语言常用的数据集，可以用来绘图，实验。直接下载使用即可。适合编程语言引用Excel文件。
matlab 自带的数据集fisheriris
SKY_yiyi_9的博客
03-28 1万+
matlab 自带的数据集fisheriris %matlab自带分类数据集fisheriris，来源于http://archive.ics.uci.edu/ml/ 中的risi数据，%其数据类别分为3类，setosa，versicolor，virginica.每类植物有50个样本，共150个。%每个样本有4个属性，分别为花萼长，花萼宽，花瓣长，花瓣宽。 ...
将fisheriris、COIL20与MNIST三个数据集输入图正则化非负矩阵分解算法中再通过Kmeans聚类评价（精度、NMI）
最新发布
weixin_47869094的博客
04-12 427
GR-NMF 是一种常用的矩阵分解算法，它能够自动提取数据中的潜在特征，并生成一组非负的基向量和系数矩阵。接下来，可以使用 Kmeans 聚类算法对这些数据点进行聚类，并计算聚类结果的精度和 NMI。Kmeans 是一种基于距离的聚类算法，它将数据点划分为 K 个簇，使得每个簇内部的数据点尽可能相似，不同簇之间的数据点尽可能不同。首先，需要对三个数据集进行预处理，即将它们转换成图像矩阵的形式，并将它们进行归一化处理，使得每个像素值在[0,1]之间。
iris数据_Python数据分析03-Iris-箱形图与outliers
weixin_39953481的博客
11-20 747
0.篇首本篇文章继续在 Iris 的基础上做数据可视化处理。在前两篇文章中，我们分别使用了直方图、KDE 以及一个十分抽象的三维图展示了 Iris 数据集。这些图都很清晰地把三个 Species 区分开来。但是，每一个 Specie 内部的数据分布又是怎么样呢？本篇文章将从统计学常用的几个概念出发，引出今天的主角 —— 箱形图1.箱形图首先，统计学中，针对一个数据样本，我们往往会用平均数 mean...
人工智能与机器学习 --- Fisher线性分类及可视化
weixin_45306136的博客
05-06 965
基于jupyter的Python编程 - Fisher线性分类和可视化一、基于iris数据集的Fisher线性分类二、数据可视化1、数据概览1.1读取数据1.2查看前/后5行数据1.3查看数据整体信息1.4描述性统计2、特征工程2.1数据清洗2.2数据可视化relplotjointplotdistplotboxplotviolinplotpairplot3、构建模型 一、基于iris数据集的Fis...
读取iris数据集中的花萼长度数据（已保存为csv格式），并对其进行排序、去重，并求出和、累积和、均值、标准差、方差、最小值、最大值
热门推荐
博樽
10-11 2万+
读取iris数据集中的花萼长度数据（已保存为csv格式），并对其进行排序、去重，并求出和、累积和、均值、标准差、方差、最小值、最大值 iris_sepal_length = np.loadtxt("C:/Users/Desktop/txt.csv", delimiter=",") #读取文件 print('花萼长度表为：',iris_sepal_length) iris_sepal_length.sort() #对数据进行排序 print('排序后的花萼长度表为：',iris_sepal_le
机器学习——降维算法LDA
Clichong
02-25 3092
文章目录1、数据集处理2、不同特征维度上的均值向量3、类内散步矩阵与类间散步矩阵4、特征值与特征向量5、可视化展示 主要流程： 理论部分的参考文章： 1、LDA和PCA降维总结 2、详解协方差与协方差矩阵 3、期望值、均值向量和协方差矩阵 4、如何计算数学期望 以下是用一个经典的“鸢尾花”数据集上使用线性判别分析完成降维任务。 数据集中含有3类共150条鸢尾花基本数据，其中3个种类山鸢尾，变色鸢尾，维吉尼亚鸢尾各50条数据，包括了萼片长度，萼片宽度，花瓣长度，花瓣宽度4个特征。 1、数据集处理 # 自己来
使用TensorFlow实现Iris数据集的非线性SVM分类
本文档主要介绍了如何在TensorFlow中实现非线性支持向量机（SVM）的实例，以山鸢尾花（Iris setosa）数据集为例进行演示。非线性SVM通过使用高斯核函数（Gaussian Kernel）将数据从线性可分的特征空间映射到非线性...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值