机器学习鸢尾花各种模型准确率对比

最新推荐文章于 2024-07-15 17:08:02 发布

黑白子2000

最新推荐文章于 2024-07-15 17:08:02 发布

阅读量349

点赞数 7

文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/weixin_45079974/article/details/137955565

版权

本文介绍了如何使用Python中的sklearn库对鸢尾花数据集进行预处理，划分训练集和测试集，并分别应用SVM、KNN、逻辑回归和RidgeClassifier进行模型训练和测试，最终比较了各模型在测试集上的准确率。

摘要由CSDN通过智能技术生成

流程

获取数据集
导入需要的包
读取数据
划分训练集和测试集
调用各种模型
比较准确率

获取数据集

链接：https://pan.baidu.com/s/1RzZyXsaiJB3e611itF466Q?pwd=j484 
提取码：j484 
--来自百度网盘超级会员V1的分享

导入需要的包

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import matplotlib as mpl
## 设置属性防止中文乱码
mpl.rcParams['font.sans-serif'] = [u'SimHei']
mpl.rcParams['axes.unicode_minus'] = False

# 导入各种模型 svm,knn,RidgeClassifier(),LogisticRegression(逻辑回归)
# 支持向量机分类svc,最近邻居 knn,lr逻辑回归,rc
# SVM=Support Vector Machine 是支持向量
# SVC=Support Vector Classification就是支持向量机用于分类，这里是分类问题所以引入SVC
# SVR=Support Vector Regression.就是支持向量机用于回归分析
from sklearn.linear_model import LogisticRegression,RidgeClassifier
from sklearn.svm import SVC
from sklearn.neighbors import KNeighborsClassifier
# 到这里四种方式引入完毕
# 引入sklearn的划分训练集和测试集合
from sklearn.model_selection import train_test_split
# 计算模型准确率
from sklearn.metrics import accuracy_score`在这里插入代码片`

读取数据

iris_data=pd.read_csv('iris.csv', usecols=[ 1, 2, 3, 4,5])

划分训练集和测试集

x = iris_data[['sepal_length', 'sepal_width', 'petal_length', 'petal_width']]        		
r = iris_data['species']   
x_train, x_test, r_train, r_test = train_test_split(x, r, random_state=0)

调用各种模型

SVC

# svc训练
svm = SVC(C=1, kernel='linear')

## 模型训练
svm.fit(x_train, r_train)

KNN

# knn训练
knn = KNeighborsClassifier(n_neighbors=1)
# 模型训练
knn.fit(x_train, r_train)

逻辑回归和RidgeClassifier

# 逻辑回归和RidgeClassifier训练
lr = LogisticRegression()
rc = RidgeClassifier()
# 模型训练
lr.fit(x_train, r_train)
rc.fit(x_train, r_train)

得到四个模型的测试集合准确度

# 得到4个模型测试集准确率
svm_score2 = accuracy_score(r_test, svm.predict(x_test))

lr_score2 = accuracy_score(r_test, lr.predict(x_test))

rc_score2 = accuracy_score(r_test, rc.predict(x_test))

knn_score2 = accuracy_score(r_test, knn.predict(x_test))

print(svm_score2)
print(lr_score2)
print(rc_score2)
print(knn_score2)
#0.9736842105263158
#0.9736842105263158
#0.7631578947368421
#0.9736842105263158

绘图比较

# 绘图得到四个对比数据
x_tmp = [0,1,2,3]
# y_score1 = [svm_score1, lr_score1, rc_score1, knn_score1]
y_score2 = [svm_score2, lr_score2, rc_score2, knn_score2]

plt.figure(facecolor='w')
# plt.plot(x_tmp, y_score1, 'r-', lw=2, label=u'训练集准确率')
plt.plot(x_tmp, y_score2, 'g-', lw=2, label=u'测试集准确率')
plt.xlim(0, 3)
plt.ylim(np.min((np.min(y_score1), np.min(y_score2)))*0.9, np.max((np.max(y_score1), np.max(y_score2)))*1.1)
plt.legend(loc = 'lower right')
plt.title(u'鸢尾花数据不同分类器准确率比较', fontsize=16)
plt.xticks(x_tmp, [u'SVM', u'Logistic', u'Ridge', u'KNN'], rotation=0)
plt.grid()
plt.show()