7、使用scikit-learn进行机器学习分类器之旅

使用scikit-learn进行机器学习分类器之旅

在机器学习中，分类器的性能，包括计算性能和预测能力，在很大程度上取决于可用于学习的基础数据。训练有监督机器学习算法通常涉及以下五个主要步骤：
1. 特征选择与收集带标签的训练样本 ：确定用于训练的特征，并收集带有对应标签的训练数据。
2. 选择性能指标 ：挑选合适的指标来评估模型的性能，如准确率、召回率等。
3. 选择分类器和优化算法 ：根据问题的特点选择合适的分类器和优化算法。
4. 评估模型性能 ：使用测试数据评估训练好的模型的性能。
5. 调整算法 ：对算法的参数进行调整，以提高模型的性能。

使用scikit-learn进行感知机训练

数据准备

为了开始使用scikit-learn库，我们将训练一个类似于之前实现的感知机模型。为了简单起见，我们将使用熟悉的鸢尾花数据集。以下是加载数据并选择特征和标签的代码：

from sklearn import datasets
import numpy as np
iris = datasets.load_iris()
X = iris.data[:, [2, 3]]
y = iris.target
print('Class labels:', np.unique(y))

这里， np.unique(y)