机器学习算法：基于鸢尾花（iris）数据集在多分类上进行训练和预测

最新推荐文章于 2024-06-05 10:00:00 发布
最新推荐文章于 2024-06-05 10:00:00 发布
阅读量2.9k 收藏 13
点赞数 34
分类专栏： 手把手教你学数据分析 文章标签： 算法 python 机器学习
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/qq_23934063/article/details/115609882
版权
本文介绍了使用鸢尾花数据集进行多分类任务的训练和预测，涉及数据可视化、特征分析、分类指标计算以及混淆矩阵的应用。通过对数据集的处理和模型评估，发现模型在三类鸢尾花的预测准确度为86.67%，误判主要集中在特征界限模糊的类别上。
摘要由CSDN通过智能技术生成

文章目录

想要看更加舒服的排版、更加准时的推送
关注公众号“不太灵光的程序员”
干货推送，微信随时解答你的疑问 😃😃😃

在这里插入图片描述

基于鸢尾花（iris）数据集在多分类上进行训练和预测

本次我们选择’setosa’(0)、‘versicolor’(1)和’virginica’(2)两类数据进行模型训练。

1、数据可视化和特征分析

修改数据集的范围

# 选择其类别为0、1和2的样本
iris_features_part = iris_features
iris_target_part = iris_target

其他部分和二分类训练方式一致


                

                
                
        

        

        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        

    

      

        

            

              
                
                  不太灵光的程序员
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          

                

                        订阅专栏
                









                



	

		

			

				
					
机器学习算法：基于鸢尾花（iris）数据集在二分类上进行训练和预测

				
			

			

				

					
				

				

					04-11
					
					4651
					
				

			

		

		

			
				
文章目录基于鸢尾花（iris）数据集在二分类上进行训练和预测1、了解数据集概况2、数据可视化和特征分析3、划分数据集4、模型训练5、分录指标评价计算6、利用混淆矩阵对于结果进行可视化7、总结



关于比赛最新进展&更多的知识点解读
关注公众号“不太灵光的程序员”


基于鸢尾花（iris）数据集在二分类上进行训练和预测
1、了解数据集概况
我们选择鸢花数据（iris）进行方法的尝试训练，该数据集一共包含5个变量，其中4个特征变量，1个目标分类变量。
共有150个样本，目标变量为花的类别其都属于鸢尾

			
		

	



                

              
                



	

		

			

				
					
鸢尾花数据集(机器学习分类任务).rar

				
			

			

				

					12-10
				

			

		

		

			
				
用于机器学习分类的数据集，鸢尾花分类数据集，文件格式为 .csv。数据完整。总共150个样本数据，标签包括Sepallength, SepalWidth, PetalLength, PetalWidth。

			
		

	



                


  
              

                


	

		

			

				
					
chapter02 K近邻分类器对Iris数据进行分类预测

				
			

			

				

					weixin_30640291的博客
				

				

					10-11
					
					231
					
				

			

		

		

			
				
寻找与待分类的样本在特征空间中距离最近的K个已知样本作为参考，来帮助进行分类决策。
与其他模型最大的不同在于：该模型没有参数训练过程。无参模型，高计算复杂度和内存消耗。

#coding=utf8
# 从sklearn.datasets 导入 iris数据加载器。
from sklearn.datasets import load_iris
# 从sklearn.model_selec...

			
		

	





	

		

			

				
					
机器学习算法其一：鸢尾花数据集逻辑回归分类预测学习总结

				
			

			

				

					weixin_74182458的博客
				

				

					03-06
					
					2012
					
				

			

		

		

			
				
逻辑回归（Logistic Regression）是一种广泛使用的统计方法，用于预测二分类（binary）或多分类（multinomial）问题的结果。尽管其名称中包含“回归”，实际上逻辑回归是一种分类算法，主要用于预测一个观测值属于特定类别的概率。该数据集一共包含5个变量，其中4个特征变量，1个目标分类变量。共有150个样本，目标变量为 花的类别 其都属于鸢尾属下的三个亚属，分别是山鸢尾 (Iris-setosa)，变色鸢尾(Iris-versicolor)和维吉尼亚鸢尾(Iris-virginica)

			
		

	



		

			
		



	

		

			

				
					
支持向量机SVM求解鸢尾花分类问题(SVM_iris_(rbf_poly_linear))

				
			

			

				

					02-09
				

			

		

		

			
				
支持向量机SVM求解鸢尾花分类问题,分别用rbf、poly、linear核函数求解

			
		

	





	

		

			

				
					
3.19 机器学习应用：鸢尾花分类Iris

				
			

			

				

					RainbowCoral的博客
				

				

					03-19
					
					1308
					
				

			

		

		

			
				
一、数据描述、调用

测量数据：花瓣的长度和宽度以及花萼的长度和宽度，所有测量结果的单位都是厘米

类别：属于setosa、versicolor 或virginica 三个品种之一

机器学习中的个体叫作样本（sample），其属性叫作特征（feature）。data 数组的形状（shape）是样本数乘以特征数。


#调用load_iris 函数来加载数据
from sklearn.datase...

			
		

	





	

		

			

				
					
机器学习算法（二）——基于鸢尾花（iris）数据集的逻辑回归分类实践

				
			

			

				

					m0_49863527的博客
				

				

					08-18
					
					4520
					
				

			

		

		

			
				
5.2 基于鸢尾花（iris）数据集的逻辑回归分类实践
在实践的最开始，我们首先需要导入一些基础的函数库包括：numpy （Python进行科学计算的基础软件包），
pandas（pandas是一种快速，强大，灵活且易于使用的开源数据分析和处理工具），matplotlib和seaborn绘图。
5.2.2 库函数导入
## 基础函数库
import numpy as np 
import pandas as pd
## 绘图函数库
import matplotlib.pyplot as plt
import

			
		

	





	

		

			

				
					
机器学习入门：对iris鸢尾花数据进行线性回归、逻辑回归训练后预测

				
			

			

				

					为天地立心，为生民立命，为往圣继绝学，为万世开太平
				

				

					04-21
					
					5278
					
				

			

		

		

			
				
安装好sklearn这个库之后，就可以直接
from sklearn.datasets import load_iris
 
iris = load_iris() 

两行代码获取鸢尾花的数据。
我们要进行的是有监督的训练，同样在学习的朋友可以先查看一下 “iris = load_iris()” iris的数据格式，对我们有用的是 data,target 两个数据，各有150条，每50条为一类，d...

			
		

	





	

		

			

				
					
机器学习用 adaboost来处理鸢尾花数据集.zip

				
			

			

				

					04-02
				

			

		

		

			
				
在机器学习领域中，“鸢尾花”是指一个经典的多类分类问题的数据集，称为“Iris dataset”或“安德森鸢尾花卉数据集”。该数据集最早由英国统计学家兼生物学家罗纳德·费雪（Ronald Fisher）于1936年收集并整理发表...

			
		

	





	

		

			

				
					
鸢尾花（iris）数据集，用于机器学习训练，预测的经典数据集, csv格式

				
			

			

				

					08-11
				

			

		

		

			
				
Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。iris以鸢尾花的特征作为数据来源，常用在分类操作中。该数据集由3种 不同类型的鸢尾花的50个样本数据构成。其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。 该数据集包含 了5个属性： & Sepal.Length（花萼长度），单位是cm; & Sepal.Width（花萼宽度），单位是cm; & Petal.Length（花瓣长度），单位是 cm; & Petal.Width（花瓣宽度），单位是cm; & 种类：Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾），以及Iris Virginica （维吉尼亚鸢尾）

			
		

	





	

		

			

				
					
人工智能——鸢尾花(iris)数据集分析.zip

				
			

			

				

					04-02
				

			

		

		

			
				
在机器学习领域中，“鸢尾花”是指一个经典的多类分类问题的数据集，称为“Iris dataset”或“安德森鸢尾花卉数据集”。该数据集最早由英国统计学家兼生物学家罗纳德·费雪（Ronald Fisher）于1936年收集并整理发表...

			
		

	





	

		

			

				
					
机器学习算法 —— 基于鸢尾花数据集的逻辑回归分类

					
最新发布

				
			

			

				

					ZShiJ的博客
				

				

					06-05
					
					256
					
				

			

		

		

			
				
逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。而对于逻辑回归而且，最为突出的两点就是其模型简单和模型的可解释性强。优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低；缺点：容易欠拟合，分类精度可能不高。

			
		

	





	

		

			

				
					
机器学习 基于IRIS鸢尾花数据集进行聚类分析

				
			

			

				

					赵四司机的博客
				

				

					04-20
					
					9682
					
				

			

		

		

			
				
一：k-means、混合高斯聚类的原理
k-means算法的基本思想为：在数据集中根据一定策略选择k个点作为每个簇的初始中心，然后观察剩余的数据，将数据划分到距离这k个点最近的簇中，也就是说将数据划分成k个簇完成一次划分，但形成的新簇并不一定是最好的划分，因此生成的新簇中，重新计算每个簇的中心点，然后在重新进行划分，直到每次划分的结果保持不变。
高斯混合聚类是一种基于概率分布的算法，它首先假设每个簇符合不同的高斯分布，也就是多元正态分布。大致流程为首先假设k个高斯分布，然后判断每个样本属于每个高斯分布的概率

			
		

	





	

		

			

				
					
Python实现Iris数据集（鸢尾花卉数据集）meanshift聚类

				
			

			

				

					醉糊涂仙的博客
				

				

					01-15
					
					5826
					
				

			

		

		

			
				
一，鸢尾花Iris数据集解析参考博文：https://blog.csdn.net/u010916338/article/details/86487890

二，Python使用meanshift聚类，并绘制聚类散点图。


from sklearn.cluster import MeanShift
from sklearn import datasets
import matplotlib.pyp...

			
		

	





	

		

			

				
					
Python机器学习实验二：1.编写代码，实现对iris数据集的KNN算法分类及预测

				
			

			

				

					于笨笨的博客
				

				

					03-21
					
					4522
					
				

			

		

		

			
				
Python机器学习实验二：编写代码，实现对iris数据集的KNN算法分类及预测
1、编写代码，实现对iris数据集的KNN算法分类及预测，要求：
（1）数据集划分为测试集占20%；
（2）n_neighbors=5；
（3）评价模型的准确率；
（4）使用模型预测未知种类的鸢尾花。
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
fro

			
		

	





	

		

			

				
					
AI：18-KNN算法及性能评估之鸢尾花特征分类【机器学习】

				
			

			

				

					一键难忘的博客
				

				

					06-27
					
					2683
					
				

			

		

		

			
				
KNN算法：通过在整个训练集中搜索k个最相似的实例（邻居）并汇总这些k个实例的输出变量来预测新的数据点。它可以用于分类和回归，是一种监督学习算法。
混淆矩阵：至少有m*m的表。前m行和m列的条目CMJ表示分类器标记为J的类I元组数。老规矩，先使用load_iris模块，里面有150组鸢尾花特征数据，我们可以拿来进行学习特征分类。
如下代码：
引入混淆矩阵confusion_matrix函数，评估方法函数accuracy_score，数据预处理函数模块preprocessing如下：
数据预处理：按列归一化


			
		

	





	

		

			

				
					
R_Studio(聚类)针对iris数据比较几种聚类方法优劣

				
			

			

				

					weixin_30559481的博客
				

				

					11-29
					
					1559
					
				

			

		

		

			
				
　　聚类分析　　百度百科：传送门
　　聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程
　　聚类与分类的不同在于，聚类所要求划分的类是未知的　　
　　聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得...

			
		

	





	

		

			

				
					
Python机器学习实验二：2.编写代码，实现对iris数据集的KNN算法分类及预测并改进

				
			

			

				

					于笨笨的博客
				

				

					03-21
					
					2320
					
				

			

		

		

			
				
Python机器学习实验二：2.编写代码，实现对iris数据集的KNN算法分类及预测并改进
2、改进模型，要求：
（1）数据集划分采用10折交叉验证；
（2）寻找最优的n_neighbors值（在5-10之间）；
（3）使用新的模型预测未知种类的鸢尾花。
待预测未知数据：
X1=[[1.5 , 3 , 5.8 , 2.2], [6.2 , 2.9 , 4.3 , 1.3]]
点个👍吧
#引入十折交叉验证算法
import numpy as np
from sklearn.model_selection im

			
		

	





	

		

			

				
					

				
			

			

				

					
				

			

		

		

			
				

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 2

	

	
	




  

    

      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

	

		

		
			
		
		

		

			
不太灵光的程序员

			
有用的话可以请博主喝杯咖啡续命

		

	

	

			

	

	

    ¥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