鸢尾花分类项目 GUI

1.机器学习的定义

机器学习是一门人工智能的分支，专注于开发算法和统计模型，使计算机能够在没有明确编程的情况下从数据中自动学习和改进。通过识别数据中的模式和规律，机器学习系统可以做出预测或决策。常见的应用包括图像识别、语音识别、推荐系统等。

2.为什么使用鸢尾花数据集（Iris dataset）

鸢尾花数据集是一个经典的多类分类问题数据集，由英国统计学家和遗传学家 Ronald Fisher 在 1936 年引入。它包含 150 个样本，每个样本有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。目标是根据这四个特征来预测鸢尾花属于哪一种类型（Setosa, Versicolor, 或 Virginica）。由于其简单性和清晰的分类结构，鸢尾花数据集常被用作机器学习入门示例。

3.详细代码

import tkinter as tk
from tkinter import messagebox
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data  # 特征矩阵，包含花萼长度、花萼宽度、花瓣长度、花瓣宽度
y = iris.target  # 目标向量，包含三种鸢尾花的类别（0: Setosa, 1: Versicolor, 2: Virginica）

# 数据预处理 - 标准化特征值
scaler = StandardScaler()  # 创建StandardScaler对象，用于标准化特征
X_scaled = scaler.fit_transform(X)  # 对特征进行标准化处理

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X_scaled, y, test_size=0.2, random_state=42
)  # 将数据集划分为训练集和测试集，测试集占20%

# 训练模型 - 使用支持向量机
model = SVC(kernel='linear', C=1.0, random_state=42)  # 创建SVM模型，使用线性核
model.fit(X_train, y_train)  # 使用训练集训练模型

def