四种方法实现鸢尾花

四种方法实现鸢尾花

提示：在下机器学习小白，可能会有很多错误，这主要是老师布置的课堂作业，网上东拼西凑的，建议参考，如有不当，还请斧正，非常感谢。
好了，直接上代码。

---

1.使用K-Means算法实现鸢尾花分类

'''
date:2020-10-03
author:panajie
goal:使用K-Means算法实现鸢尾花分类

K-Means算法：K-Means算法，对于给定的样本集，
            按照样本之间的距离大小，将样本集划分为K个簇。 
            让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。
            一般K的值可以自己设定。

'''

# step 1： 导入必要的包

import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import KMeans
from sklearn import datasets 
from sklearn.cluster import KMeans

# step 2：加载数据集

# 鸢尾花的数据集可以直接从sklearn中获取
iris = datasets.load_iris()
X = iris.data[:, :4]        # 表示我们取特征空间中的4个维度
# print(X.shape)

# step 3：K-Means聚类算法
estimator = KMeans(n_clusters=3) # 构造聚类器
estimator.fit(X) # 聚类
label_pred = estimator.labels_  # 获取聚类标签

# step4： 绘制k-means结果
x0 = X[label_pred == 0]   # Iris-setosa 山鸢尾花
x1 = X[label_pred == 1]   # Iris-versicolor 变色鸢尾
x2 = X[label_pred == 2]   # Iris-virginica 维吉尼亚鸢尾
plt.scatter(x0[:, 0], x0[:, 1], c="blue", marker='x', label='label0')
plt.scatter(x1[:, 0], x1[:, 1], c="green", marker='*', label='label1')
plt.scatter(x2[:, 0], x2[:, 1], c="red", marker='+', label='label2')
# 一下两行代码是为了能够在绘图时候能够显示中文
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

plt.title ('K-Means算法实现鸢尾花分类', color='LimeGreen', fontsize = 25)
plt.xlabel('花萼长度', color='OrangeRed', fontsize=15)
plt.ylabel('花萼宽度', color='Fuchsia', fontsize=15)

plt.legend(loc=2)

# 展示
plt.show() 

2.线性回归实现

'''
date:2020-10-03
author:panajie
goal:使用线性回归方法实现鸢尾花分类

线性回归方法：

'''
# step 1：导入必要的包
from sklearn import datasets 
from sklearn import model_selection
from sklearn import svm
from sklearn.naive_bayes import GaussianNB
from sklearn.cluster import KMeans
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt 

# step2：加载数据
iris = datasets.load_iris() # 鸢尾花的数据集可以直接从sklearn中获取

# 获取花瓣的长和宽
x = [n[0] for n in iris.data]
y = [n[1] for n in iris.data]
import numpy as np #转换成数组
x = np.array(x).reshape(len(x),1)
y = np.array(y).reshape(len(y),1)

# step3 ：导入Sklearn机器学习扩展包中线性回归模型，然后进行训练和预测  
classifier = LinearRegression()
# 开始训练
classifier