基于鸢尾花数据集的传统机器学习模型效果对比

已于 2023-02-02 14:26:39 修改
阅读量240 收藏 1
点赞数
分类专栏： 机器学习 文章标签： python 逻辑回归 人工智能 随机森林
于 2023-02-02 14:16:34 首次发布
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/m0_37556124/article/details/128849356
版权
本文使用鸢尾花数据集训练逻辑回归、k近邻、决策树、随机森林、XGB、SVM和朴素贝叶斯算法，通过模型训练和验证，对比各模型的效果。
摘要由CSDN通过智能技术生成

传统机器学习模型算法对比

基于鸢尾花数据集的传统机器学习模型效果对比

本文基于鸢尾花数据集进行训练，分别对逻辑回归、k近邻、决策树、随机森林、XGB、SVM、朴素贝叶斯算法进行训练，并对比最终模型效果示例。

数据获取

iris_data = datas.load_iris()
X = iris_data.data
Y = iris_data.target

数据划分

x_train,x_test,y_train,y_test = train_test_split(X, Y, test_size=0.2, random_state=20)
print("训练集数据X的形状：{}".format(x_train.shape))
print("训练集数据Y的形状：{}".format(y_train.shape))
print("测试集数据X的形状：{}".format(x_test.shape))
print("测试集数据Y的形状：{}".format(y_test.shape))

print("训练集数据Y的取值:{}".format(np.unique(y_train)))
print("测试集数据Y的取值:{}".format(np.unique(y_test)))
了解本专栏 订阅专栏 解锁全文 超级会员免费看
IDONTCARE8
关注
专栏目录
订阅专栏
机器学习-鸢尾花数据集下载
11-04
机器学习的经典案例就是鸢尾花进行分类，本资源包括了鸢尾花的四种数据和四类数据下所对应的鸢尾种类，数据分成训练学习模型所需要的数据和对训练模型评估所需要的数据，为方便对数据进行导入，表头也已经填好，导入...
鸢尾花模型
Ker_reK的博客
06-24 284
一、原理 二、算法步骤 第一步：预先设定网络结构和激活函数 难度很大！！！ 因为网络结构可以无限拓展，要知道什么样的结构才符合我们的问题需要做大量的试验第二步：初始化模型权重 模型中的每一个连接都会有一个权重，在初始化的时候可以都随机给予一个值。第三步：就是根据输入数据和权重来预测结果 引入误差来衡量predict与true数据的偏差。 最开始的参数都是随机设置的，所以获得的结果肯定与真实的结果差距比较大，所以在这里要计算一个误差，误差反映了预测结果和真实结果的差距有多大。第四步：模型要调节权重 我们要设置
sklearn(2):决策树和随机森林
JJJJJJames的博客
01-07 342
决策树的使用及原理 决策树——鸢尾花分类 附：解释决策树每层分类的信息增益计算及选择按顺序如何选择特征分类顺序 import numpy as np from sklearn.tree import DecisionTreeClassifier from sklearn import datasets import matplotlib.pyplot as plt from sklearn import tree from sklearn.model_selection import train_te
机器学习——随机森林算法、极端随机树和单颗决策树分类器对手写数字数据进行对比分析
张小鱼的博客
05-29 2613
随机森林也是基于决策树的算法，只不过是利用集成的思想来提升单颗决策树的分类性能。主要特点是由于随机选择样本和特征，所以不容易陷入过拟合。随机森林算法的主要步骤从样本集中用Bootstrap随机选取n个样本，并从所有属性中随机选取K个属性，选择最佳分割属性作为节点建立分类器（CART，SVM等）重复以上m次，即建立了m个分类器，并通过投票表决结果，决定数据属于哪一类。随机森林是一种集成学习算法，它将许多决策树组合在一起来提高分类性能。
基于鸢尾花数据和手写数字，决策树，随机森林，voting，bagging法的比较
zaprily的博客
08-26 503
四种方法的具体的原理可以见博文 和西瓜书 先上代码根据结果分析 鸢尾花数据 # evaluate bagging algorithm for classification from numpy import mean from numpy import std from sklearn.datasets import make_classification from sklearn.model_selection import cross_val_score from sklearn.model_selec
机器学习项目实战--基于鸢尾花数据集（python代码，多种算法对比：决策树、SVM、k近邻）
热门推荐
qq_40683479的博客
04-18 2万+
机器学习项目实战----基于鸢尾花数据集（python代码，多种算法对比：决策树、SVM、k近邻） 1、项目介绍 鸢尾花数据集是机器学习入门的一个十分经典的数据集，这里依然简单的介绍一下这个项目是做什么的，通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。在这篇博客中，我们将在此数据集上同时构建多个机器...
鸢尾花数据集机器学习
02-06
鸢尾花数据集是机器学习领域的一个经典案例，它源自生物学家弗朗索瓦·费拉伊(François Rodier)在1936年的研究，用于区分三种不同类型的鸢尾花：山鸢尾(Iris setosa)、变色鸢尾(Iris versicolor)和维吉尼亚鸢尾...
机器学习鸢尾花数据集-csv
最新发布
11-21
鸢尾花数据集（Iris dataset）是机器学习和统计学中常用的经典数据集之一，被广泛用于模型验证、分类和聚类等任务。这个数据集由英国统计学家和生物学家Ronald A. Fisher于1936年引入，用来展示他所开发的线性判别...
K-近邻分类算法的python实现-鸢尾花数据集
qq_40345954的博客
06-04 2379
import numpy as np import operator as opt import matplotlib.pyplot as plt import collections as clt from sklearn import datasets # K-近邻算法 鸢尾花数据测试 # KNN分类算法 # 算法描述： # 1.参数说明：待分类向量x、训练数据集（特征向量组）A、标签向量、参数（k） # 2.计算x与A中所有向量的距离，并返回排序索引数组 # 3.标签向量使用2中的索引数组，取出.
简单粗暴理解与实现机器学习之K-近邻算法（六）：K-近邻算法案例之鸢尾花种类预测–数据集介绍
汪雯琦的博客
03-03 3110
K-近邻算法 文章目录K-近邻算法学习目标1.6 案例：鸢尾花种类预测--数据集介绍1 案例：鸢尾花种类预测2 scikit-learn中数据集介绍2.1 scikit-learn数据集API介绍2.1.1 sklearn小数据集2.1.2 sklearn大数据集2.2 sklearn数据集返回值介绍2.3 查看数据分布2.4 数据集的划分 学习目标 掌握K-近邻算法实现过程 知道K-近邻算法的...
机器学习算法之鸢尾花数据不同分类器效果比较
leva的博客
07-17 2064
import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt from sklearn.svm import SVC from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from sklearn.linear_model import Lo.
机器学习项目实践——鸢尾花分类
weixin_47686861的博客
11-12 1万+
基于SVM算法实现鸢尾花分类 摘要：支持向量机，因其英文名为support vector machine，故一般简称SVM，通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。最基础的便是二分类问题，给定一个数据集，含有多个属性，通过这些属性，建立超平面，使得这些点分为2类，定义标签1与-1，然后对其他的点进行预测。本实验实现svm分类程序对鸢尾花数据集进行分类，并分析结果与得出相关的结论。 一、问题介绍： 构建
03-鸢尾花分类问题（120个样本的实验）
Serendipity_zyx的博客
05-12 3829
文章目录1. 环境配置及数据集准备2. 创建一个 tf.data.Dataset3. 选择模型类型4. 使用keras创建模型5. 训练模型5.1 定义损失和梯度函数5.2 创建优化器5.3 训练循环5.4 建立测试数据集5.5 根据测试数据集评估模型5.6 使用经过训练的模型进行预测 1. 环境配置及数据集准备 import os import matplotlib.pyplot as plt import tensorflow as tf # 默认情况下，TensorFlow 用 eager exec
GRNN/PNN：基于GRNN、PNN两神经网络实现并比较鸢尾花种类识别正确率、各个模型运行时间对比—Jason niu...
aoduo9781的博客
02-06 682
load iris_data.mat P_train = []; T_train = []; P_test = []; T_test = []; for i = 1:3 temp_input = features((i-1)*50+1:i*50,:); temp_output = classes((i-1)*50+1:i*50,:); ...
SQLFlow 鸢尾花模型训练/解释/评估/预测
日格一物
11-13 555
使用 SQLFlow 语法完成对鸢尾花模型训练、解释、评估、预测 整体训练情况及运行结果如下图: 对应 SQLFlow 语法 1.检查训练数据 %%sqlflow select * from iris.train limit 5; 2.训练模型 模型: DNN分类器 参数: 分类数=3,包含两个隐藏层且每个隐藏层有十个隐藏单元,训练次数 特征列: 花瓣长宽、花萼长宽 标签: 鸢尾花类别 已训练模型保存对应数据库 %%sqlflow SELECT * FROM iris.train TO T
鸢尾花数据集的KNN算法模型的训练和预估
qq_52458749的博客
03-05 300
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier def iris_KNN(): # 1，获取数据 iris = load_iris() # 2，
PyTorch深度学习实战 | 基于线性回归、决策树和SVM进行鸢尾花分类
不断学习，不断进步，提高自己
04-10 4221
鸢尾花数据集是机器学习领域非常经典的一个分类任务数据集。它的英文名称为Iris Data Set，使用sklearn库可以直接下载并导入该数据集。数据集总共包含150行数据，每一行数据由4个特征值及一个标签组成。标签为三种不同类别的鸢尾花，分别为：Iris Setosa，Iris Versicolour，Iris Virginica。对于多分类任务，有较多机器学习的算法可以支持。本文将使用决策树、线性回归、SVM等多种算法来完成这一任务，并对不同方法进行比较。
实验——基于决策树算法完成鸢尾花卉品种预测任务
qq_45785407的博客
12-05 7805
文章目录一 实验要求二 实验思路三 实验代码四 实验结果与分析参考 一 实验要求 本实验通过鸢尾花数据集iris.csv来实现对决策树进一步的了解。其中， Iris鸢尾花数据集是一个经典数据集，在统计学习和机器学习领域都经常被用作示例。数据集内包含3类共150条记录，每类各50个数据，每条记录都有4项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，可以通过这4个特征预测鸢尾花卉属于iris-setosa, iris-versicolour, iris-virginica三个类别中的 哪一品种。Iris数据集
对鸢尾花数据集和月亮数据集，分别采用线性LDA、k-means和SVM算法进行二分类可视化分析
丹的博客
05-19 827
文章目录鸢尾花数据集分析LDAK-meansSVM月亮数据集分析LDAk-meansSVMSVM算法的优点 鸢尾花数据集分析 LDA #鸢尾花数据集的线性LDA分类 import numpy as np import matplotlib.pyplot as plt from sklearn.datasets.samples_generator import make_classification class LDA(): def Train(self, X, y):
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

打赏作者

IDONTCARE8

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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