机器学习基础算法20- 鸢尾花数据集分类-随机森林

代码

# 鸢尾花数据分类-随机森林
# 结果为6个随机森林得到的结果

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
from sklearn.ensemble import RandomForestClassifier


# def iris_type(s):
#     it = {'Iris-setosa': 0, 'Iris-versicolor': 1, 'Iris-virginica': 2}
#     return it[s]

# 'sepal length', 'sepal width', 'petal length', 'petal width'
iris_feature = u'花萼长度', u'花萼宽度', u'花瓣长度', u'花瓣宽度'

if __name__ == "__main__":

    mpl.rcParams['font.sans-serif'] = [u'SimHei']  # 黑体 FangSong/KaiTi
    mpl.rcParams['axes.unicode_minus'] = False

    path = 'iris.data'  # 数据文件路径
    data = pd.read_csv(path, header=None)
    x_prime = data[range(4)]
    y = pd.Categorical(data[4]).codes
    # 特征两两组合,共6个
    feature_pairs = [[0, 1], [0, 2], [0, 3], [1, 2], [1, 3], [
  • 1
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
KNN算法是一种基于实例的学习算法,主要用于分类和回归问题。在鸢尾花分类问题中,我们可以使用KNN算法进行分类鸢尾花数据集机器学习领域中最经典的数据集之一,由3种不同品种的鸢尾花组成,每个样本包含4个特征:花萼长度、花萼宽度、花瓣长度和花瓣宽度。 以下是使用Python实现鸢尾花分类的KNN算法示例代码: ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score # 加载鸢尾花数据集 iris = load_iris() # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42) # 创建KNN分类器 knn = KNeighborsClassifier(n_neighbors=5) # 训练模型 knn.fit(X_train, y_train) # 预测测试集 y_pred = knn.predict(X_test) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print("Accuracy:", accuracy) ``` 在上述代码中,我们使用sklearn库加载鸢尾花数据集,然后使用train_test_split函数将数据集划分为训练集和测试集。接着,我们创建了一个KNN分类器,并使用fit函数训练模型。最后,我们使用predict函数预测测试集,并使用accuracy_score函数计算准确率。 在这个例子中,我们设置K值为5,即KNN算法将选择5个与测试样本最相似的训练样本进行分类。你可以根据实际情况调整K值,以达到更好的分类效果。

“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 1
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