机器学习 鸢尾花(Iris Flower)数据集分析

已于 2023-10-25 22:06:11 修改
阅读量1.4k 收藏 11
点赞数
分类专栏： 机器学习 文章标签： 人工智能 numpy python
于 2022-12-17 14:20:53 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_56051805/article/details/128352776
版权

目录

一：加载数据

二：提取特征数据

三：提取标签数据

四：数据划分

一：加载数据

加载数据，查看数据特征

from sklearn.datasets import load_iris

# 1 加载数据  鸢尾花load_iris
iris_datasets = load_iris()
print(iris_datasets, type(iris_datasets))

{'data': array([[5.1, 3.5, 1.4, 0.2],
       [4.9, 3. , 1.4, 0.2],
       [4.7, 3.2, 1.3, 0.2],
       [4.6, 3.1, 1.5, 0.2],
       [5. , 3.6, 1.4, 0.2],
       [5.4, 3.9, 1.7, 0.4],
       [4.6, 3.4, 1.4, 0.3],
       [5. , 3.4, 1.5, 0.2],
       [4.4, 2.9, 1.4, 0.2],
       [4.9, 3.1, 1.5, 0.1],
       [5.4, 3.7, 1.5, 0.2],
       [4.8, 3.4, 1.6, 0.2],
       [4.8, 3. , 1.4, 0.1],
       [4.3, 3. , 1.1, 0.1],
       [5.8, 4. , 1.2, 0.2],
       [5.7, 4.4, 1.5, 0.4],
       [5.4, 3.9, 1.3, 0.4],
       [5.1, 3.5, 1.4, 0.3],
       [5.7, 3.8, 1.7, 0.3],
       [5.1, 3.8, 1.5, 0.3],
       [5.4, 3.4, 1.7, 0.2],
       [5.1, 3.7, 1.5, 0.4],
       [4.6, 3.6, 1. , 0.2],
       [5.1, 3.3, 1.7, 0.5],
       [4.8, 3.4, 1.9, 0.2],
       [5. , 3. , 1.6, 0.2],
       [5. , 3.4, 1.6, 0.4],
       [5.2, 3.5, 1.5, 0.2],
       [5.2, 3.4, 1.4, 0.2],
       [4.7, 3.2, 1.6, 0.2],
       [4.8, 3.1, 1.6, 0.2],
       [5.4, 3.4, 1.5, 0.4],
       [5.2, 4.1, 1.5, 0.1],
       [5.5, 4.2, 1.4, 0.2],
       [4.9, 3.1, 1.5, 0.2],
       [5. , 3.2, 1.2, 0.2],
       [5.5, 3.5, 1.3, 0.2],
       [4.9, 3.6, 1.4, 0.1],
       [4.4, 3. , 1.3, 0.2],
       [5.1, 3.4, 1.5, 0.2],
       [5. , 3.5, 1.3, 0.3],
       [4.5, 2.3, 1.3, 0.3],
       [4.4, 3.2, 1.3, 0.2],
       [5. , 3.5, 1.6, 0.6],
       [5.1, 3.8, 1.9, 0.4],
       [4.8, 3. , 1.4, 0.3],
       [5.1, 3.8, 1.6, 0.2],
       [4.6, 3.2, 1.4, 0.2],
       [5.3, 3.7, 1.5, 0.2],
       [5. , 3.3, 1.4, 0.2],
       [7. , 3.2, 4.7, 1.4],
       [6.4, 3.2, 4.5, 1.5],
       [6.9, 3.1, 4.9, 1.5],
       [5.5, 2.3, 4. , 1.3],
       [6.5, 2.8, 4.6, 1.5],
       [5.7, 2.8, 4.5, 1.3],
       [6.3, 3.3, 4.7, 1.6],
       [4.9, 2.4, 3.3, 1. ],
       [6.6, 2.9, 4.6, 1.3],
       [5.2, 2.7, 3.9, 1.4],
       [5. , 2. , 3.5, 1. ],
       [5.9, 3. , 4.2, 1.5],
       [6. , 2.2, 4. , 1. ],
       [6.1, 2.9, 4.7, 1.4],
       [5.6, 2.9, 3.6, 1.3],
       [6.7, 3.1, 4.4, 1.4],
       [5.6, 3. , 4.5, 1.5],
       [5.8, 2.7, 4.1, 1. ],
       [6.2, 2.2, 4.5, 1.5],
       [5.6, 2.5, 3.9, 1.1],
       [5.9, 3.2, 4.8, 1.8],
       [6.1, 2.8, 4. , 1.3],
       [6.3, 2.5, 4.9, 1.5],
       [6.1, 2.8, 4.7, 1.2],
       [6.4, 2.9, 4.3, 1.3],
       [6.6, 3. , 4.4, 1.4],
       [6.8, 2.8, 4.8, 1.4],
       [6.7, 3. , 5. , 1.7],
       [6. , 2.9, 4.5, 1.5],
       [5.7, 2.6, 3.5, 1. ],
       [5.5, 2.4, 3.8, 1.1],
       [5.5, 2.4, 3.7, 1. ],
       [5.8, 2.7, 3.9, 1.2],
       [6. , 2.7, 5.1, 1.6],
       [5.4, 3. , 4.5, 1.5],
       [6. , 3.4, 4.5, 1.6],
       [6.7, 3.1, 4.7, 1.5],
       [6.3, 2.3, 4.4, 1.3],
       [5.6, 3. , 4.1, 1.3],
       [5.5, 2.5, 4. , 1.3],
       [5.5, 2.6, 4.4, 1.2],
       [6.1, 3. , 4.6, 1.4],
       [5.8, 2.6, 4. , 1.2],
       [5. , 2.3, 3.3, 1. ],
       [5.6, 2.7, 4.2, 1.3],
       [5.7, 3. , 4.2, 1.2],
       [5.7, 2.9, 4.2, 1.3],
       [6.2, 2.9, 4.3, 1.3],
       [5.1, 2.5, 3. , 1.1],
       [5.7, 2.8, 4.1, 1.3],
       [6.3, 3.3, 6. , 2.5],
       [5.8, 2.7, 5.1, 1.9],
       [7.1, 3. , 5.9, 2.1],
       [6.3, 2.9, 5.6, 1.8],
       [6.5, 3. , 5.8, 2.2],
       [7.6, 3. , 6.6, 2.1],
       [4.9, 2.5, 4.5, 1.7],
       [7.3, 2.9, 6.3, 1.8],
       [6.7, 2.5, 5.8, 1.8],
       [7.2, 3.6, 6.1, 2.5],
       [6.5, 3.2, 5.1, 2. ],
       [6.4, 2.7, 5.3, 1.9],
       [6.8, 3. , 5.5, 2.1],
       [5.7, 2.5, 5. , 2. ],
       [5.8, 2.8, 5.1, 2.4],
       [6.4, 3.2, 5.3, 2.3],
       [6.5, 3. , 5.5, 1.8],
       [7.7, 3.8, 6.7, 2.2],
       [7.7, 2.6, 6.9, 2.3],
       [6. , 2.2, 5. , 1.5],
       [6.9, 3.2, 5.7, 2.3],
       [5.6, 2.8, 4.9, 2. ],
       [7.7, 2.8, 6.7, 2. ],
       [6.3, 2.7, 4.9, 1.8],
       [6.7, 3.3, 5.7, 2.1],
       [7.2, 3.2, 6. , 1.8],
       [6.2, 2.8, 4.8, 1.8],
       [6.1, 3. , 4.9, 1.8],
       [6.4, 2.8, 5.6, 2.1],
       [7.2, 3. , 5.8, 1.6],
       [7.4, 2.8, 6.1, 1.9],
       [7.9, 3.8, 6.4, 2. ],
       [6.4, 2.8, 5.6, 2.2],
       [6.3, 2.8, 5.1, 1.5],
       [6.1, 2.6, 5.6, 1.4],
       [7.7, 3. , 6.1, 2.3],
       [6.3, 3.4, 5.6, 2.4],
       [6.4, 3.1, 5.5, 1.8],
       [6. , 3. , 4.8, 1.8],
       [6.9, 3.1, 5.4, 2.1],
       [6.7, 3.1, 5.6, 2.4],
       [6.9, 3.1, 5.1, 2.3],
       [5.8, 2.7, 5.1, 1.9],
       [6.8, 3.2, 5.9, 2.3],
       [6.7, 3.3, 5.7, 2.5],
       [6.7, 3. , 5.2, 2.3],
       [6.3, 2.5, 5. , 1.9],
       [6.5, 3. , 5.2, 2. ],
       [6.2, 3.4, 5.4, 2.3],
       [5.9, 3. , 5.1, 1.8]]), 'target': array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2]), 'frame': None, 'target_names': array(['setosa', 'versicolor', 'virginica'], dtype='<U10'), 'DESCR': '.. _iris_dataset:\n\nIris plants dataset\n--------------------\n\n**Data Set Characteristics:**\n\n    :Number of Instances: 150 (50 in each of three classes)\n    :Number of Attributes: 4 numeric, predictive attributes and the class\n    :Attribute Information:\n        - sepal length in cm\n        - sepal width in cm\n        - petal length in cm\n        - petal width in cm\n        - class:\n                - Iris-Setosa\n                - Iris-Versicolour\n                - Iris-Virginica\n                \n    :Summary Statistics:\n\n    ============== ==== ==== ======= ===== ====================\n                    Min  Max   Mean    SD   Class Correlation\n    ============== ==== ==== ======= ===== ====================\n    sepal length:   4.3  7.9   5.84   0.83    0.7826\n    sepal width:    2.0  4.4   3.05   0.43   -0.4194\n    petal length:   1.0  6.9   3.76   1.76    0.9490  (high!)\n    petal width:    0.1  2.5   1.20   0.76    0.9565  (high!)\n    ============== ==== ==== ======= ===== ====================\n\n    :Missing Attribute Values: None\n    :Class Distribution: 33.3% for each of 3 classes.\n    :Creator: R.A. Fisher\n    :Donor: Michael Marshall (MARSHALL%PLU@io.arc.nasa.gov)\n    :Date: July, 1988\n\nThe famous Iris database, first used by Sir R.A. Fisher. The dataset is taken\nfrom Fisher\'s paper. Note that it\'s the same as in R, but not as in the UCI\nMachine Learning Repository, which has two wrong data points.\n\nThis is perhaps the best known database to be found in the\npattern recognition literature.  Fisher\'s paper is a classic in the field and\nis referenced frequently to this day.  (See Duda & Hart, for example.)  The\ndata set contains 3 classes of 50 instances each, where each class refers to a\ntype of iris plant.  One class is linearly separable from the other 2; the\nlatter are NOT linearly separable from each other.\n\n.. topic:: References\n\n   - Fisher, R.A. "The use of multiple measurements in taxonomic problems"\n     Annual Eugenics, 7, Part II, 179-188 (1936); also in "Contributions to\n     Mathematical Statistics" (John Wiley, NY, 1950).\n   - Duda, R.O., & Hart, P.E. (1973) Pattern Classification and Scene Analysis.\n     (Q327.D83) John Wiley & Sons.  ISBN 0-471-22361-1.  See page 218.\n   - Dasarathy, B.V. (1980) "Nosing Around the Neighborhood: A New System\n     Structure and Classification Rule for Recognition in Partially Exposed\n     Environments".  IEEE Transactions on Pattern Analysis and Machine\n     Intelligence, Vol. PAMI-2, No. 1, 67-71.\n   - Gates, G.W. (1972) "The Reduced Nearest Neighbor Rule".  IEEE Transactions\n     on Information Theory, May 1972, 431-433.\n   - See also: 1988 MLC Proceedings, 54-64.  Cheeseman et al"s AUTOCLASS II\n     conceptual clustering system finds 3 classes in the data.\n   - Many, many more ...', 'feature_names': ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'], 'filename': 'iris.csv', 'data_module': 'sklearn.datasets.data'} <class 'sklearn.utils.Bunch'>

分析数据

key：data--数据    target--目标

三种鸢尾花名字：target_names   array(['setosa', 'versicolor', 'virginica']  [0 1 2分别表示3种鸢尾]        【标签数据 3分类】

三个种类鸢尾花每一种有50：Number of Instances: 150 (50 in each of three classes)

一共有4种属性：Number of Attributes: 4 numeric, predictive attributes and the class [每一行数据都由4个构成，如 [5. , 3.4, 1.5, 0.2]]  【通过4种属性，分清楚3种鸢尾花】

属性的信息：Attribute Information:\n        - sepal length in cm\n        - sepal width in cm\n        - petal length in cm\n        - petal width in cm  [花萼sepal的长和花萼sepal的宽、花瓣petal的长和花瓣petal的宽]

'feature_names': ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']    【特征数据 4属性】

二：提取特征数据

from sklearn.datasets import load_iris

# 1 加载数据  鸢尾花load_iris
iris_datasets = load_iris()
# 特征数据
iris_data = iris_datasets['data']
print(iris_data, type(iris_data), len(iris_data), iris_data.shape)

[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]
 [4.6 3.1 1.5 0.2]
 [5.  3.6 1.4 0.2]
 [5.4 3.9 1.7 0.4]
 [4.6 3.4 1.4 0.3]
 [5.  3.4 1.5 0.2]
 [4.4 2.9 1.4 0.2]
 [4.9 3.1 1.5 0.1]
 [5.4 3.7 1.5 0.2]
 [4.8 3.4 1.6 0.2]
 [4.8 3.  1.4 0.1]
 [4.3 3.  1.1 0.1]
 [5.8 4.  1.2 0.2]
 [5.7 4.4 1.5 0.4]
 [5.4 3.9 1.3 0.4]
 [5.1 3.5 1.4 0.3]
 [5.7 3.8 1.7 0.3]
 [5.1 3.8 1.5 0.3]
 [5.4 3.4 1.7 0.2]
 [5.1 3.7 1.5 0.4]
 [4.6 3.6 1.  0.2]
 [5.1 3.3 1.7 0.5]
 [4.8 3.4 1.9 0.2]
 [5.  3.  1.6 0.2]
 [5.  3.4 1.6 0.4]
 [5.2 3.5 1.5 0.2]
 [5.2 3.4 1.4 0.2]
 [4.7 3.2 1.6 0.2]
 [4.8 3.1 1.6 0.2]
 [5.4 3.4 1.5 0.4]
 [5.2 4.1 1.5 0.1]
 [5.5 4.2 1.4 0.2]
 [4.9 3.1 1.5 0.2]
 [5.  3.2 1.2 0.2]
 [5.5 3.5 1.3 0.2]
 [4.9 3.6 1.4 0.1]
 [4.4 3.  1.3 0.2]
 [5.1 3.4 1.5 0.2]
 [5.  3.5 1.3 0.3]
 [4.5 2.3 1.3 0.3]
 [4.4 3.2 1.3 0.2]
 [5.  3.5 1.6 0.6]
 [5.1 3.8 1.9 0.4]
 [4.8 3.  1.4 0.3]
 [5.1 3.8 1.6 0.2]
 [4.6 3.2 1.4 0.2]
 [5.3 3.7 1.5 0.2]
 [5.  3.3 1.4 0.2]
 [7.  3.2 4.7 1.4]
 [6.4 3.2 4.5 1.5]
 [6.9 3.1 4.9 1.5]
 [5.5 2.3 4.  1.3]
 [6.5 2.8 4.6 1.5]
 [5.7 2.8 4.5 1.3]
 [6.3 3.3 4.7 1.6]
 [4.9 2.4 3.3 1. ]
 [6.6 2.9 4.6 1.3]
 [5.2 2.7 3.9 1.4]
 [5.  2.  3.5 1. ]
 [5.9 3.  4.2 1.5]
 [6.  2.2 4.  1. ]
 [6.1 2.9 4.7 1.4]
 [5.6 2.9 3.6 1.3]
 [6.7 3.1 4.4 1.4]
 [5.6 3.  4.5 1.5]
 [5.8 2.7 4.1 1. ]
 [6.2 2.2 4.5 1.5]
 [5.6 2.5 3.9 1.1]
 [5.9 3.2 4.8 1.8]
 [6.1 2.8 4.  1.3]
 [6.3 2.5 4.9 1.5]
 [6.1 2.8 4.7 1.2]
 [6.4 2.9 4.3 1.3]
 [6.6 3.  4.4 1.4]
 [6.8 2.8 4.8 1.4]
 [6.7 3.  5.  1.7]
 [6.  2.9 4.5 1.5]
 [5.7 2.6 3.5 1. ]
 [5.5 2.4 3.8 1.1]
 [5.5 2.4 3.7 1. ]
 [5.8 2.7 3.9 1.2]
 [6.  2.7 5.1 1.6]
 [5.4 3.  4.5 1.5]
 [6.  3.4 4.5 1.6]
 [6.7 3.1 4.7 1.5]
 [6.3 2.3 4.4 1.3]
 [5.6 3.  4.1 1.3]
 [5.5 2.5 4.  1.3]
 [5.5 2.6 4.4 1.2]
 [6.1 3.  4.6 1.4]
 [5.8 2.6 4.  1.2]
 [5.  2.3 3.3 1. ]
 [5.6 2.7 4.2 1.3]
 [5.7 3.  4.2 1.2]
 [5.7 2.9 4.2 1.3]
 [6.2 2.9 4.3 1.3]
 [5.1 2.5 3.  1.1]
 [5.7 2.8 4.1 1.3]
 [6.3 3.3 6.  2.5]
 [5.8 2.7 5.1 1.9]
 [7.1 3.  5.9 2.1]
 [6.3 2.9 5.6 1.8]
 [6.5 3.  5.8 2.2]
 [7.6 3.  6.6 2.1]
 [4.9 2.5 4.5 1.7]
 [7.3 2.9 6.3 1.8]
 [6.7 2.5 5.8 1.8]
 [7.2 3.6 6.1 2.5]
 [6.5 3.2 5.1 2. ]
 [6.4 2.7 5.3 1.9]
 [6.8 3.  5.5 2.1]
 [5.7 2.5 5.  2. ]
 [5.8 2.8 5.1 2.4]
 [6.4 3.2 5.3 2.3]
 [6.5 3.  5.5 1.8]
 [7.7 3.8 6.7 2.2]
 [7.7 2.6 6.9 2.3]
 [6.  2.2 5.  1.5]
 [6.9 3.2 5.7 2.3]
 [5.6 2.8 4.9 2. ]
 [7.7 2.8 6.7 2. ]
 [6.3 2.7 4.9 1.8]
 [6.7 3.3 5.7 2.1]
 [7.2 3.2 6.  1.8]
 [6.2 2.8 4.8 1.8]
 [6.1 3.  4.9 1.8]
 [6.4 2.8 5.6 2.1]
 [7.2 3.  5.8 1.6]
 [7.4 2.8 6.1 1.9]
 [7.9 3.8 6.4 2. ]
 [6.4 2.8 5.6 2.2]
 [6.3 2.8 5.1 1.5]
 [6.1 2.6 5.6 1.4]
 [7.7 3.  6.1 2.3]
 [6.3 3.4 5.6 2.4]
 [6.4 3.1 5.5 1.8]
 [6.  3.  4.8 1.8]
 [6.9 3.1 5.4 2.1]
 [6.7 3.1 5.6 2.4]
 [6.9 3.1 5.1 2.3]
 [5.8 2.7 5.1 1.9]
 [6.8 3.2 5.9 2.3]
 [6.7 3.3 5.7 2.5]
 [6.7 3.  5.2 2.3]
 [6.3 2.5 5.  1.9]
 [6.5 3.  5.2 2. ]
 [6.2 3.4 5.4 2.3]
 [5.9 3.  5.1 1.8]] <class 'numpy.ndarray'> 150 (150, 4)

类型：numpy.ndarray 

长度：150

形状：150行4列

三：提取标签数据

from sklearn.datasets import load_iris

# 1 加载数据  鸢尾花load_iris
iris_datasets = load_iris()
# 标签数据
iris_target = iris_datasets['target']
print(iris_target, type(iris_target))

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2] <class 'numpy.ndarray'>

一维的ndarray 

共150数据

前50特征数据，标签都是0

中间50特征数据，标签都是1

后50特征数据，标签都是2

四：数据划分

数据划分 训练集+测试集

训练集用于模型训练；测试集用于模型测试

数据打乱 (标签和特征要一起打乱)

数据分割，如下

from sklearn.model_selection import train_test_split

参数分析 

test_size：测试集比重

train_size：训练集比重

random_state：随机种子

shuffle：打乱顺序 默认True打乱

返回：  X--特征  Y--标签  train训练  test测试

X_train,    特征训练

X_test,     特征测试

y_train,    标签训练

y_test       标签测试

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 1 加载数据  鸢尾花load_iris
iris_datasets = load_iris()
# 特征数据
iris_data = iris_datasets['data']
# 标签数据
iris_target = iris_datasets['target']

# 顺序打乱
X_train, X_test, y_train, y_test = train_test_split(iris_data, iris_target, test_size=0.2, random_state=6)
print(X_train, X_test, y_train, y_test)

[[4.8 3.  1.4 0.3]
 [5.2 2.7 3.9 1.4]
 [5.4 3.9 1.3 0.4]
 [4.3 3.  1.1 0.1]
 [6.3 2.8 5.1 1.5]
 [6.4 2.8 5.6 2.1]
 [5.6 2.9 3.6 1.3]
 [6.3 2.5 5.  1.9]
 [5.7 3.  4.2 1.2]
 [5.  3.3 1.4 0.2]
 [5.1 3.5 1.4 0.3]
 [6.3 2.9 5.6 1.8]
 [6.1 2.8 4.  1.3]
 [5.9 3.  4.2 1.5]
 [5.1 3.8 1.6 0.2]
 [4.8 3.  1.4 0.1]
 [6.9 3.1 4.9 1.5]
 [5.2 3.5 1.5 0.2]
 [4.9 3.1 1.5 0.2]
 [6.5 2.8 4.6 1.5]
 [7.7 2.6 6.9 2.3]
 [7.7 3.8 6.7 2.2]
 [5.6 2.8 4.9 2. ]
 [4.6 3.4 1.4 0.3]
 [6.4 2.7 5.3 1.9]
 [5.7 3.8 1.7 0.3]
 [4.4 3.  1.3 0.2]
 [5.4 3.4 1.7 0.2]
 [6.6 2.9 4.6 1.3]
 [6.7 2.5 5.8 1.8]
 [6.  2.7 5.1 1.6]
 [5.  2.  3.5 1. ]
 [5.7 2.8 4.1 1.3]
 [6.3 3.3 6.  2.5]
 [5.6 2.7 4.2 1.3]
 [5.6 3.  4.1 1.3]
 [4.6 3.1 1.5 0.2]
 [5.8 2.7 5.1 1.9]
 [5.8 4.  1.2 0.2]
 [4.7 3.2 1.6 0.2]
 [5.5 2.5 4.  1.3]
 [5.4 3.  4.5 1.5]
 [5.8 2.7 5.1 1.9]
 [6.4 2.8 5.6 2.2]
 [6.5 3.  5.2 2. ]
 [6.7 3.1 4.4 1.4]
 [6.1 2.8 4.7 1.2]
 [6.9 3.1 5.4 2.1]
 [7.2 3.  5.8 1.6]
 [6.2 2.9 4.3 1.3]
 [5.1 2.5 3.  1.1]
 [4.9 3.1 1.5 0.1]
 [6.5 3.  5.8 2.2]
 [6.8 3.  5.5 2.1]
 [5.1 3.7 1.5 0.4]
 [4.6 3.2 1.4 0.2]
 [5.7 2.5 5.  2. ]
 [7.9 3.8 6.4 2. ]
 [6.1 3.  4.6 1.4]
 [6.3 3.4 5.6 2.4]
 [6.8 2.8 4.8 1.4]
 [5.5 4.2 1.4 0.2]
 [6.3 3.3 4.7 1.6]
 [6.7 3.1 5.6 2.4]
 [5.5 3.5 1.3 0.2]
 [5.  3.4 1.5 0.2]
 [7.3 2.9 6.3 1.8]
 [4.4 3.2 1.3 0.2]
 [5.3 3.7 1.5 0.2]
 [4.8 3.4 1.9 0.2]
 [4.5 2.3 1.3 0.3]
 [4.6 3.6 1.  0.2]
 [5.  3.2 1.2 0.2]
 [5.8 2.7 3.9 1.2]
 [6.9 3.1 5.1 2.3]
 [4.8 3.4 1.6 0.2]
 [7.7 2.8 6.7 2. ]
 [5.8 2.7 4.1 1. ]
 [5.4 3.7 1.5 0.2]
 [6.7 3.3 5.7 2.1]
 [5.5 2.6 4.4 1.2]
 [6.7 3.  5.2 2.3]
 [5.9 3.2 4.8 1.8]
 [5.6 2.5 3.9 1.1]
 [5.  3.5 1.3 0.3]
 [6.  2.9 4.5 1.5]
 [5.9 3.  5.1 1.8]
 [7.  3.2 4.7 1.4]
 [5.4 3.9 1.7 0.4]
 [4.9 2.4 3.3 1. ]
 [5.  3.5 1.6 0.6]
 [5.2 3.4 1.4 0.2]
 [6.  3.4 4.5 1.6]
 [5.1 3.8 1.5 0.3]
 [6.1 2.9 4.7 1.4]
 [6.2 2.8 4.8 1.8]
 [5.6 3.  4.5 1.5]
 [6.7 3.3 5.7 2.5]
 [6.8 3.2 5.9 2.3]
 [5.8 2.8 5.1 2.4]
 [6.7 3.1 4.7 1.5]
 [5.7 4.4 1.5 0.4]
 [7.2 3.2 6.  1.8]
 [5.4 3.4 1.5 0.4]
 [7.4 2.8 6.1 1.9]
 [4.4 2.9 1.4 0.2]
 [6.2 2.2 4.5 1.5]
 [6.5 3.2 5.1 2. ]
 [5.  3.4 1.6 0.4]
 [6.7 3.  5.  1.7]
 [6.6 3.  4.4 1.4]
 [4.9 3.  1.4 0.2]
 [5.  3.  1.6 0.2]
 [6.  2.2 4.  1. ]
 [5.5 2.4 3.8 1.1]
 [6.2 3.4 5.4 2.3]
 [5.7 2.6 3.5 1. ]
 [7.2 3.6 6.1 2.5]
 [4.9 2.5 4.5 1.7]
 [6.  3.  4.8 1.8]] [[5.  3.6 1.4 0.2]
 [6.5 3.  5.5 1.8]
 [4.7 3.2 1.3 0.2]
 [5.1 3.3 1.7 0.5]
 [6.3 2.7 4.9 1.8]
 [5.7 2.9 4.2 1.3]
 [6.1 2.6 5.6 1.4]
 [5.1 3.4 1.5 0.2]
 [6.4 3.1 5.5 1.8]
 [5.5 2.3 4.  1.3]
 [6.1 3.  4.9 1.8]
 [5.5 2.4 3.7 1. ]
 [6.4 3.2 5.3 2.3]
 [7.7 3.  6.1 2.3]
 [6.4 2.9 4.3 1.3]
 [6.  2.2 5.  1.5]
 [7.6 3.  6.6 2.1]
 [6.4 3.2 4.5 1.5]
 [5.8 2.6 4.  1.2]
 [5.2 4.1 1.5 0.1]
 [4.9 3.6 1.4 0.1]
 [6.9 3.2 5.7 2.3]
 [5.1 3.8 1.9 0.4]
 [5.1 3.5 1.4 0.2]
 [5.7 2.8 4.5 1.3]
 [6.3 2.5 4.9 1.5]
 [6.3 2.3 4.4 1.3]
 [7.1 3.  5.9 2.1]
 [4.8 3.1 1.6 0.2]
 [5.  2.3 3.3 1. ]] [0 1 0 0 2 2 1 2 1 0 0 2 1 1 0 0 1 0 0 1 2 2 2 0 2 0 0 0 1 2 1 1 1 2 1 1 0
 2 0 0 1 1 2 2 2 1 1 2 2 1 1 0 2 2 0 0 2 2 1 2 1 0 1 2 0 0 2 0 0 0 0 0 0 1
 2 0 2 1 0 2 1 2 1 1 0 1 2 1 0 1 0 0 1 0 1 2 1 2 2 2 1 0 2 0 2 0 1 2 0 1 1
 0 0 1 1 2 1 2 2 2] [0 2 0 0 2 1 2 0 2 1 2 1 2 2 1 2 2 1 1 0 0 2 0 0 1 1 1 2 0 1]

划分为 120(训练集) + 30(测试集)  (根据前面设置的比重划分)

chenruhan_QAQ_
关注
  • 0
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
数据分析——鸢尾花数据集
weixin_50197893的博客
12-01 3万+
鸢尾花数据集 Iris 鸢尾花数据集内包含 3 类分别为山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）和维吉尼亚鸢尾（Iris-virginica），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。 sepallength：萼片长度 sepalwidth：萼片宽度 petallength：花瓣长度 petalwidth：花瓣宽度 以上四个特征的单位都是厘米（cm） 1、如何导入存在数字和文本的数据集。 2、求出鸢
机器学习——鸢尾花数据集
m0_62358159的博客
03-04 3万+
机器学习——鸢尾花数据集数据集简介导入数据集 原始代码文件： https://pan.baidu.com/s/1saL_4Q9PbFJluU4htAgFdQ .提取码：1234 数据集简介 数据集包含150个样本（数据集的行） 数据集包含4个属性（数据集的列）：Sepal Length，Sepal Width，Petal Length，Petal Width：‘feature_names’ 利用numpy.ndarray存储这150x4的数据：‘data’ 分类标签取自array[‘Setosa’，‘Ve
鸢尾花 数据的处理,鸢尾花数据分析
09-11
MATLAB 利用Fisher分析和核Fisher分析对鸢尾花数据集进行分类，可以发现Kfisher 可以较好地对非线性数据的分类
鸢尾花数据集
最新发布
oumingyuan的博客
05-13 662
【代码】鸢尾花数据集。
鸢尾花（iris）数据集
wangprince2017
03-24 2万+
鸢尾花（iris）数据集 更新时间：2021-03-21 01:01:09标签：数据集鸢尾花 说明 机器学习教程正在计划编写中，欢迎大家加微信 sinbam 提供意见、建议、纠错、催更。 鸢【音：yuān】尾花（Iris）是单子叶百合目花卉，是一种比较常见的花，可能不经意间你就能在某个公园里碰见它，而且鸢尾花的品种较多。 它是一个很小的数据集，仅有150行，5列。该数据集的四个特征属性的取值都是数值型的，他们具有相同的量纲，不需要你做任何标准化的处理，第五列为通过前面四列所确定的鸢尾花所属..
【机器学习实战】科学处理鸢尾花数据集
QianT
04-10 1万+
目录 一、案例分析 二、数据处理 2.1 回答问题 2.2 检查数据 2.3清理数据 2.4 测试数据 三、用 scikit-learn 来预测数据 3.1选出特征 (输入变量) 和标记 (输出变量) 3.2划分训练集和测试集 3.3 用模型来学习 四、思考题 一、案例分析 假设我们要创建一个智能手机应用程序，从智能手机拍摄的照片中自动识别花的种类。 我们需创建一个...
sklearn基础篇（三）-- 鸢尾花(iris)数据集分析和分类
CarpeDiem
10-28 8万+
本文是基于《Python机器学习基础教程》第一章学习的总结，主要是基于iris数据集进行探索数据分析和不同分类模型的对比，从而熟悉使用sklearn的模型进行机器学习。
鸢尾花数据集-机器学习算法评估
04-24
Iris Flower数据集/鸢尾花数据集 机器学习算法评估,在LR，LDR，KNN,CART,NB, SVM中选取最优算法
iris鸢尾花标准数据集
03-14
iris鸢尾花标准数据集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...
iris数据集应用于机器学习领域的分类和聚类问题中
06-08
该数据集中包含了150个样本，其中每个样本代表了一朵鸢尾花（iris flower），并且包含了四个特征（sepal length（花萼长度）、sepal width（花萼宽度）、petal length（花瓣长度）和petal width（花瓣宽度））以及...
Iris数据集 Iris数据集 Iris数据集Iris数据集
02-25
这个数据集包含了150个样本，每个样本都是鸢尾花（Iris flower）的四个特征测量值：萼片长度（sepal length）、萼片宽度（sepal width）、花瓣长度（petal length）和花瓣宽度（petal width），以及对应的鸢尾花种类...
Iris-flower-classification:实现使用机器学习和Python对鸢尾花物种进行分类的解决方案
03-13
鸢尾花数据集是机器学习领域的一个经典案例，它包含了三种不同鸢尾花物种的多个特征，如花瓣长度、花瓣宽度、萼片长度和萼片宽度。本项目"Iris-flower-classification"旨在通过运用机器学习算法，使用Python编程语言...
鸢尾花(Iris)数据集
热门推荐
qinzhongyuan的博客
05-30 9万+
鸢尾花数据集1. 鸢尾花数据集下载2. Pandas库基础操作3. 数据可视化 1. 鸢尾花数据集下载 下载鸢尾花数据集 tf.keras.utils.get_file(fname,origin,cache_dir) 参数 说明 fname 下载后的文件名 origin 文件的URL地址 cache_dir 下载后文件的存储位置 TRAIN_URL="http://download.tensorflow.org/data/iris_training.csv" train_p
[Python] 机器学习 - 常用数据集(Dataset)之鸢尾花(Iris)数据集介绍，数据可视化和使用案例
老狼工作室的博客
01-25 9413
本文主要通过Jupyter Notebook对鸢尾花数据集（Iris）进行读取，显示数据，并对数据可视化，最后使用该数据集来应用于K近邻算法线性回归分析。 1）读取数据包括scikit-learn库引入和读取.csv文件保存的数据集。 2）显示数据包括显示具体数据、查看整体数据信息、描述性统计。 3）数据可视化包括散点图、直方图、KDE图、箱线图等。 4）应用该数据集于scikit-learn的K近邻算法进行线性回归分析。
机器学习--鸢尾花数据集实战
qq_26764565的博客
02-01 5136
Iris数据集实战 本次主要围绕Iris数据集进行一个简单的数据分析, 另外在数据的可视化部分进行了重点介绍. 环境 win8, python3.7, jupyter notebook 目录 1.项目背景 2.数据概览 3.特征工程 4.构建模型 正文 1. 项目背景 鸢尾属(拉丁学名：Iris L.), 单子叶植物纲, 鸢尾科多年生草本植物, 开的花大而美丽, 观赏...
鸢尾花(Iris)数据集入门
牛肉胡辣汤
10-21 7525
该数据集是一个经典的机器学习数据集，通过对其进行加载和探索，我们能够更好地理解数据集的结构和特征。鸢尾花（Iris）数据集是一个经典的机器学习数据集，包含了三个不同种类（山鸢尾、变色鸢尾、维吉尼亚鸢尾）共150个样本，每个样本包含了四个特征（萼片长度、萼片宽度、花瓣长度、花瓣宽度）。通过这个示例，我们可以使用机器学习算法对鸢尾花的品种进行分类，并评估分类器的准确性。上述代码将绘制了花萼长度和宽度的散点图，花瓣长度和宽度的散点图，以及花萼长度和花瓣宽度的箱线图。然后，使用训练好的模型对测试集进行预测。
数据集：鸢尾花卉
林景的博客
09-10 3340
数据集来源 UCI 数据库 Iris 概述 UCI Iris 数据集原始数据，根据鸢花萼片和花瓣4项指标对花的种类进行分类。 数据介绍 UCI Iris是常用分类建模数据集，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。 属性数 5 记录数 150 无缺失值记录数 150 数据集元数据 名称 数据类型 萼片宽度 float 萼片长度 floa
鸢尾花(iris)数据集分析
liuxiangke0210的专栏
05-12 1万+
原文链接：https://www.jianshu.com/p/52b86c774b0b 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...
决策树可视化：鸢尾花数据集分类(附代码数据集)
ABin_203的博客
05-08 1万+
决策树数据集实战可视化评价 决策树是什么？决策树(decision tree)是一种基本的分类与回归方法。举个通俗易懂的例子，流程图就是一种决策树。 有没有车，没车的话有没有房，没房的话有没有存款，没存款pass。这个流程就是一个简单的决策树。 分类决策树模型是一种描述对实例进行分类的树形结构。通过很多次判断来决定是否符合某类的特征。 数据集 首先附上数据集： 链接：https://pan.bai...
鸢尾花iris数据集实验原理
04-21
鸢尾花iris数据集是一个常用的分类问题数据集，它包含了150个样本，每个样本包含了鸢尾花的四个属性：花萼长度、花萼宽度、花瓣长度、花瓣宽度，还包含了鸢尾花的品种分类：Setosa、Versicolour、Virginica。 实验原理是使用机器学习算法对鸢尾花数据集进行训练，使得机器能够正确预测鸢尾花的品种分类。常用的机器学习算法包括决策树、朴素贝叶斯、支持向量机等等。
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

chenruhan_QAQ_

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