python自带数据的模型合集

鸢尾花----聚类

Python鸢尾花数据集通常用于分类问题，
这些模型都可以通过Python中的Scikit-learn库进行实现。同时，也可以对这些模型进行参数调优以提高模型的准确性。
Logistic Regression（逻辑回归）：
逻辑回归是一种二分类模型，它可以用于预测某种物品是否属于某个类别。例如，可以使用逻辑回归来预测鸢尾花是否为Setosa。
Decision Tree（决策树）：
决策树是一种基于树结构的分类模型，它可以用于预测某种物品属于哪个类别。例如，可以使用决策树来预测鸢尾花的品种。
Random Forest（随机森林）
随机森林是一种基于决策树的集成学习模型，它可以用于预测某种物品属于哪个类别。例如，可以使用随机森林来预测鸢尾花的品种。
K-Nearest Neighbors（K近邻）：
K近邻是一种基于距离的分类模型，它可以用于预测某种物品属于哪个类别。例如，可以使用K近邻来预测鸢尾花的品种。
Support Vector Machine（支持向量机）：
支持向量机是一种基于分隔超平面的分类模型，它可以用于预测某种物品属于哪个类别。例如，可以使用支持向量机来预测鸢尾花的品种。
Naive Bayes（朴素贝叶斯）：
朴素贝叶斯是一种基于贝叶斯定理的分类模型，它可以用于预测某种物品属于哪个类别。例如，可以使用朴素贝叶斯来预测品种。

写一个总览的各个模型

首先，需要加载鸢尾花数据集：


from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target

接着，将数据集拆分为训练集和测试集：


from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

然后，我们可以使用以下代码来实现这些模型：



Logistic Regression（逻辑回归）：


from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression()
classifier.fit(X_train, y_train)
accuracy = classifier.score(X_test, y_test)
print("Logistic Regression Accuracy:", accuracy)

输出：


Logistic Regression Accuracy: 1.0


Decision Tree（决策树）：


from sklearn.tree import DecisionTreeClassifier
classifier = DecisionTreeClassifier()
classifier.fit(X_train, y_train)
accuracy = classifier.score(X_test, y_test)
print("Decision Tree Accuracy:", accuracy)

输出：


Decision Tree Accuracy: 1.0


Random Forest（随机森林）：


from sklearn.ensemble import RandomForestClassifier
classifier = RandomForestClassifier()
classifier.fit(X_train, y_train)
accuracy = classifier.score(X_test, y_test)
print("Random Forest Accuracy:", accuracy)

输出：


Random Fore