了解一下鸢尾花数据集

iris=datasets.load_iris()#加载出数据
print(iris.DESCR)#查看数据描述
iris.feature_names#看看数据各个属性的名字,这里是花瓣长宽 花萼长宽总共四个属性。
iris.target#看看各条记录的标签,就可以理解为数据集里有150朵花,每朵花的种类编号
iris.filename#看看我的数据集文件(csv)的路径

这里可以看出有0,1,2三种类型的鸢尾花。

这里取前两列,应该是鸢尾花的两个啥属性,画散点图,看一下他们的分布情况,

这里提前把target标签赋给y,按标签画图,666。

scatter这里的marker还挺好玩的,可以去看看都有哪些符号。

  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,我可以为您提供一些关于基于尾花数据集的聚类课设的思路和步骤。 首先,让我们简单了解一下尾花数据集。这是一个非常常用的数据集,其中包含了150个样本,每个样本都有四个特征:花萼长度、花萼宽度、花瓣长度和花瓣宽度。这些样本分为三类:山尾、变色尾和维吉尼亚尾,每类样本分别有50个。 接下来,我们可以按照以下步骤进行聚类课设: 1. 数据预处理:将尾花数据集读入程序,并进行必要的数据清洗和数据预处理,例如去掉无用特征、缺失数据等等。 2. 特征选择:根据聚类的目标和具体情况,选择适当的特征组合。例如,可以选取花萼长度和花萼宽度这两个特征进行聚类。 3. 聚类算法选择:选择适当的聚类算法,例如K均值聚类、层次聚类、DBSCAN等等。这里我们以K均值聚类为例。 4. 模型训练:使用选定的聚类算法对尾花数据集进行训练,得到聚类模型。 5. 聚类结果分析:对聚类结果进行可视化和分析,例如绘制聚类中心、聚类结果的散点图等等。 6. 模型评估:使用合适的评估指标(例如轮廓系数等)对模型进行评估,判断聚类效果的好坏。 7. 结果解释:对聚类结果进行解释,例如可以根据聚类结果对尾花进行分类或观察不同类别之间的差异等等。 希望这些步骤能够帮助您进行基于尾花数据集的聚类课设。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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