人工智能--机器学习，使用Python Scikit-learn中提供的算法类搭建分类或回归模型。自选数据集（泰坦尼克号幸存者数据集、鸢尾花数据集等）

快速导入用

pip install *** https://pypi.tuna.tsinghua.edu.cn/simple

首先需要导入Scikit-learn库及其他常用的Python库，如NumPy、Pandas等。

import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split

接下来，我们使用Scikit-learn自带的鸢尾花数据集来实现一个分类模型。鸢尾花数据集包含了150朵鸢尾花的花萼长度、花萼宽度、花瓣长度、花瓣宽度以及其所属种类（Setosa、Versicolour、Virginica）。我们可以看到，该数据集一共包含150个样本，每个样本有4个特征。接下来，对数据集进行划分，分别用于训练模型和测试模型。

iris = datasets.load_iris()
X = iris.data
y = iris.target

# 该数据集一共包含150个样本，每个样本有4个特征
print(X.shape, y.shape)
# 输出结果：(150, 4) (150,)

接下来，我们将使用支持向量机算法（SVM）来实现分类模型。

_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)

print(X_train.shape, y_train.shape)
# 输出结果：(112, 4) (112,)
print(X_test.shape, y_test.shape)
# 输出结果：(38, 4) (38,)

# 使用支持向量机算法（SVM）来实现分类模型。
from sklearn.svm import SVC

clf = SVC(kernel='linear')
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)

print('Accuracy:', accuracy_score(y_test, y_pred))
# 输出结果：1

在上述代码中，我们使用SVM算法来训练分类模型，并使用线性核函数（linear）来处理数据，最后通过accuracy_score方法来评估模型的准确率。输出结果表明该模型的准确率为100%。