scikit-learn笔记之初次接触

最新推荐文章于 2025-09-10 16:34:05 发布

转载最新推荐文章于 2025-09-10 16:34:05 发布 · 51 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/DOLFAMINGO/p/9580567.html

文章标签：

#人工智能 #python

本文介绍了使用Python和scikit-learn对鸢尾花数据集进行的分析过程，包括数据加载、可视化、特征规范化、训练分类器及预测，并展示了如何通过三维散点图区分不同种类的鸢尾花。

一.加载数据：

然后看一下有多少个特征和类别以及它们的名字：

二.数据可视化:：

由于该套数据集有4个特征，所以只能选取2个特征进行显示。

可见红色和绿色的点混在一起，所以再选择其他特征作为坐标轴：

这样就可以区别这三种类别了。

补充：还可以用三维视图：

from sklearn import datasets
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
iris = datasets.load_iris()
X = iris.data
Y = iris.target
x0 = X[:,0]; x1 = X[:,1]; x2 = X[:,2]
ax = plt.subplot(111, projection='3d')
color = np.array(['r', 'g', 'b'])
Color = np.array(color[Y])
ax.scatter(x0,x1,x2, c=Color)
plt.show()

三.训练分类器：

四.进行预测：

五.规范化过程：

import numpy as np
from sklearn import datasets
import matplotlib.pyplot as plt
from sklearn import metrics
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

iris = datasets.load_iris()    #加载数据
X = iris.data
Y = iris.target

scaler = StandardScaler()    #特征归一化
X = scaler.fit_transform(X)

train_X,test_X, train_y, test_y = train_test_split(X, Y, test_size=0.2)    #划分训练集、测试集
model = GaussianNB()                               #创建贝叶斯分类器
model.fit(train_X, train_y)  

expected = test_y            #实际值
predicted = model.predict(test_X)     #预测值
print metrics.classification_report(expected, predicted)    #输出分类效果