鸢尾花分类_Python学习之knn实现鸢尾花分类

最新推荐文章于 2022-09-19 23:26:05 发布

Truffer

最新推荐文章于 2022-09-19 23:26:05 发布

阅读量644

点赞数

文章标签：鸢尾花分类

本文链接：https://blog.csdn.net/weixin_30745053/article/details/112623160

版权

本文介绍了使用Python的knn算法对鸢尾花数据集进行分类的实践过程，包括训练集和测试集的结果可视化展示。

摘要由CSDN通过智能技术生成

# K近邻算法

# 导入相关库文件
import numpy as np
import matplotlib.pyplot as plt
#import pandas as pd
from sklearn import neighbors, datasets

# 导入数据集，数据集sklearn自带，X与y一一对应
dataset = datasets.load_iris()
# 获取鸢尾花前两列花萼长度和花萼宽度（sepal_length、sepal_width）数据作为X
X = dataset.data[:, :2]
# 获取鸢尾花种类作为Y
# 2表示Iris-virginica，1表示Iris-versicolor，0表示Iris-setosa
y = dataset.target

# 这里没有进行特征缩放，是因为X属于一个都在一个较小的区间，所以无需进行特征缩放(已经达到特征缩放后的要求，观察数据很重要)
attributes_dict = {
    0:"sepal_length",1:"sepal_width"}
for attribute in attributes_dict:
    print("{} 最大值：{}".format(attributes_dict[attribute], np.max(X[:,attribute])))
    print("{} 最小值：{}".format(attributes_dict[attribute], np.min(X[:,attribute])))
    # round 函数将float数据格式化小数点后一位
    print("{} 平均值：{}".format(attributes_dict[attribute], round(np.average(X[:, attribute]),1)))
    print("-------------------------------------")

# 划分数据为训练集和测试集
from sklearn.model_selection import train_test_split
"""
    train_test_split(train_data,train_target,test_size=0.4, random_state=0,stratify=y_train)
    Parameters：
        train_data：所要划分的样本特征集
        train_target：所要划分的样本结果
        test_size：样本占比，如果是整数的话就是样本的数量
        random_state：是随机数的种子。
        随机数