机器学习案例实操——鸢尾花

机器学习案例实操——鸢尾花

 本文做要给大家回归一下Numpy的基础知识，毕竟python 中的sklearn中使用的是这种数据类型。然后用一个鸢尾花分类实例给大家演示机器学习的整个过程，让你快速入门机器学习。

1.Numpy基础知识回顾

import numpy as np
arr1=np.array([2,3,4,5,6])#数值型数组
arr2=np.array((2,3,4,5,6))#数值型数组
arr3=np.array(['a','b','c','d'])#字符串型数组
arr4=np.array([(1,2,3),(4,5,6)])#二维数组
print("数组1的各维度：{},数组4的各维度：{}".format(arr1.shape,arr4.shape))
print("数组1的元素个数：{},数组4的元素个数：{}".format(arr1.size,arr4.size))
print("数组1的维度：{},数组4的维度：{}".format(arr1.ndim,arr4.ndim))
print("数组1的数据类型：{},数组4的数据类型：{}".format(arr1.dtype,arr4.dtype))

#数据类型转换
arr1=np.arange(6)
print("将数组arr1元素转为浮点型：{}".format(arr1.astype(np.float64)))
arr2=np.arange(1.0,1.5,0.1)#小数转为整数，小数部分会截断
print("将数组arr2元素转为整型：{}".format(arr2.astype(np.int32)))
arr3=np.array(['1','1.2','1.5'])#含有小数，不能直接转为整数
print("将数组arr3元素转为浮点型：{}".format(arr3.astype(np.float)))
print("将数组arr1元素转为arr3元素类型：{}".format(arr1.astype(arr3.dtype)))
print("将数组arr2元素转为arr3元素类型：{}".format(arr2.astype(arr3.dtype)))

#数据类型转换
arr1=np.arange(6)
print("将数组arr1元素转为浮点型：{}".format(arr1.astype(np.float64)))
arr2=np.arange(1.0,1.5,0.1)#小数转为整数，小数部分会截断
print("将数组arr2元素转为字符串型：{}".format(arr2.astype(np.int32)))
arr3=np.array(['1','1.2','1.5'])#含有小数，不能直接转为整数
print("将数组arr3元素转为浮点型：{}".format(arr3.astype(np.float)))
print("将数组arr1元素转为arr3元素类型：{}".format(arr1.astype(arr3.dtype)))
print("将数组arr2元素转为arr3元素类型：{}".format(arr2.astype(arr3.dtype)))

#数据预处理
arr1=np.array([1,2,np.nan,4])
print("一维数组arr1：{}".format(arr1))
print("判断arr1所有元素是否有缺失值：\n{}".\
      format(np.isnan(arr1)))
arr1[np.isnan(arr1)]=0#缺失值填充
print("将arr1中缺失值替换为0：{}".format(arr1))


arr2=np.array([1,2,2,3,3,4])
print("将arr2去重后为：{}".format(np.unique(arr2)))
print("将arr2用set去重后为：{}".\
      format(np.array(list(set(arr2)))))

2.辨异识花

import csv
import numpy as np
with open('iris.csv','r') as  f :
    rows=csv.reader(f)
    for row in rows:
        print(row)

import csv
import numpy as np
with open('iris.csv','r') as  f :
    rows=csv.reader(f)
    data_file=np.array(list(rows))#将数据转换为数组
    print(data_file.shape)#查看数组的形状
    print(data_file.size)#查看数组的元素个数
    print(data_file.ndim)#查看数组维数

Data=data_file[1:,1:5].astype(float)#将字符串转为浮点
print(np.isnan(Data).any())#检查是否有缺失值
Labels=data_file[1:,-1]#鸢尾花类型标识
print(Labels[Labels==""].shape)#检查是否有缺失值

from sklearn import datasets
iris_data = datasets.load_iris()
data = iris_data.data#训练样本的值
feature = iris_data.feature_names  #训练样本的值对应的名称
target = iris_data.target  # 所有样本的目标值
target_names = iris_data.target_names  # 目标值对应的名称
X_train = data[:,0:2]  # 训练样本的特征
y_train = target  # 训练样本的结果
#目前取得样本特征和结果依旧是一一对应的关系
#X_train = data[:,2:4]  # 训练样本的特征
import matplotlib.pyplot as plt
plt.scatter(X_train[:,0],X_train[:,1],c=y_train)
plt.xlabel('Sepal length')  #设置x轴的标签
plt.ylabel('Sepal width')  #设置y轴的标签
#plt.scatter(X_train[:,0],X_train[:,1],c=y_train)
#plt.xlabel('Petal length')  #设置x轴的标签
#plt.ylabel('Petal width')  #设置y轴的标签
plt.show()

#机器学习
from sklearn.neighbors import KNeighborsClassifier
np.random.seed(0)#设置随机种子，产生的随机数一样
indices = np.random.permutation(len(Data))#随机打乱数组
print(indices)
Data_train = Data[indices[:-10]]#随机选取140样本作为训练集
Labels_train = Labels[indices[:-10]]#随机选取140样本标签作为训练集

Data_test = Data[indices[-10:]]#剩下10个样本作为测试集
Labels_test = Labels[indices[-10:]]#剩下10个样本标签作为测试集

knn = KNeighborsClassifier()#定义一个knn分类器对象
knn.fit(Data_train,Labels_train)#接收两个参数：训练数据集及其样本标签
Labels_predict = knn.predict(Data_test) #调用该对象的测试方法，主要接收一个参数：测试数据集
probility=knn.predict_proba(Data_test)#计算各测试样本基于概率的预测

score=knn.score(Data_test,Labels_test,sample_weight=None)#调用该对象的打分方法，计算出准确率
print('Labels_predict = ')
print(Labels_predict )#输出测试的结果
print('Labels_test = ')
print(Labels_test)#输出原始测试数据集的正确标签
print('Accuracy:',score)#输出准确率计算结果
print(probility)

更新每页代码给大家O(∩_∩)O

编写打磨课件不易，走过路过别忘记给咱点个赞，小女子在此(❁´ω`❁)谢过！