机器学习--总结1---例子1

鸢尾花例子

• Iris数据集包含scikit-learn的datasets模块中

 from sklearn.datasets import load_iris  #导入
 iris_dataset=load_iris()  #load_iris()返回的对象是一个Bunch对象，类似于字典，包含键和值

• 查看数据集的基本信息

输出数据中的键
DESCR键对应的值是数据集的简要说明

数组的形状（shape）是样本数乘以特征数

• 训练集和测试集
  scikit-learn中的train-test-split 函数可以打乱数据集并进行拆分。
  数据通常用大写的X，标签用小写的y表示。

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(
    iris_dataset['data'],iris_dataset['target'],random_state=100)

函数说明

• 构建模型
  k近邻算法：需要用k近邻分类器，构建模型，需要保存训练集即可。即对一个新的数据点做出预测，算法会在训练集中寻找与这个新数据点距离最近的数据点，然后将找到的数据点的标签赋值给这个新数据点。
  k近邻算法

from sklearn.neighbors import KNeighborsClassifier  #
knn=KNeighborsClassifier(n_neighbors=2)   #识别k个最近的点
knn.fit(X_train,y_train)
prediction=knn.predict(X_new)  #做出预测
print("Prediction:{}".format(prediction))
print("Predicted target name:{}".format(
    iris_dataset['target_names'][prediction]))
#评估模型
y_pred=knn.predict(X_test)
print("test set prediction:\n{}".format(y_pred))
print("Test set score:{:.2f}".format(np.mean(y_pred==y_test)))
#计算精度，即预测正确的话所占的比例
print("Test set score:{:.2f}".format(knn.score(X_test,y_test)))
#

score方法

• isinstance
  isinstance是Python内置的一个函数，用于判断一个对象是否属于指定的类型。根据引用和引用的示例，可以看出isinstance函数的用法是isinstance(object, class)，其中object是待判断的对象，class是指定的类型。如果对象是指定类型的实例，则返回True，否则返回False。

根据引用中的代码和输出结果，我们可以得出以下结论：
对于w这个对象，isinstance(w, Person)返回True，表示w是Person类型的实例。
由于Man是Person的子类，所以isinstance(w, Man)返回False，表示w不是Man类型的实例。
Woman是Person的子类，所以isinstance(w, Woman)返回True，表示w是Woman类型的实例。
最后，由于所有的类都是object的子类，所以isinstance(w, object)返回True，表示w是object类型的实例。
综上所述，根据继承链的类型转换，我们可以得出w的类型分别为Person、Woman、object

• print
  print("Integer: %d" % myint)
  http://t.csdn.cn/9zgra
  https://learnpython.org/en/String_Formatting

列表[start:stop:step]的应用