医院网站建设模板下载,3d建模怎么自学,网站设计制作公司推荐,网站介绍模板操作流程
下载鸢尾花数据集导入需要的包读取数据并查看数据大小和长度划分训练集和测试集使用模型评估算法
下载鸢尾花数据集
链接#xff1a;https://pan.baidu.com/s/1RzZyXsaiJB3e611itF466Q?pwdj484
提取码#xff1a;j484
--来自百度网盘超级会员V1的分享导入需要…操作流程
下载鸢尾花数据集导入需要的包读取数据并查看数据大小和长度划分训练集和测试集使用模型评估算法
下载鸢尾花数据集
链接https://pan.baidu.com/s/1RzZyXsaiJB3e611itF466Q?pwdj484
提取码j484
--来自百度网盘超级会员V1的分享导入需要的包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings(ignore)
from sklearn import metrics
查看数据大小和长度
读取五列数据由于csv文件比sklearn鸢尾花种多了id列不需要
iris_datapd.read_csv(iris.csv, usecols[ 1, 2, 3, 4,5])查看数据集大小150行5列
iris_data.shape
# (150, 5)数据详情
iris_data.head()划分训练集和测试集合
载入特征和标签集
X iris_data[[sepal_length, sepal_width, petal_length, petal_width]]
y iris_data[species]
划分为x和rr是结果result的缩写也就是这里的类别
from sklearn.model_selection import train_test_splitX_train, X_test, r_train, r_test train_test_split(X, r, random_state0)x划分的结果,一共150行按31的比例X_train是112行四列特征X_test是这112行的类别所以后面直接fit(X_train,r_train)即可完成模型训练
print(X_train shape: {}.format(X_train.shape)) # X_train #shape: (112, 4)
print(r_train shape: {}.format(r_train.shape)) # r_train #shape: (112,)
r划分的结果,一共150行按31的比例r_train是38行四列特征r_test是这38行的类别所以后面直接fit(x_test,r_test)即可完成测试集
print(X_test shape: {}.format(X_test.shape)) # X_test shape: (38, 4)
print(r_test shape: {}.format(r_test.shape)) # r_test shape: (38,)
调用模型
这里使用knn算法
引入knn算法
from sklearn.neighbors import KNeighborsClassifierknn KNeighborsClassifier(n_neighbors1)开始训练
knn.fit(X_train, r_train)开始用训练好的模型跑测试数据
r_pred knn.predict(X_test)
print(Test set predictions: \n {}.format(r_pred))结果
Test set predictions: [virginica versicolor setosa virginica setosa virginicasetosa versicolor versicolor versicolor virginica versicolorversicolor versicolor versicolor setosa versicolor versicolorsetosa setosa virginica versicolor setosa setosa virginicasetosa setosa versicolor versicolor setosa virginicaversicolor setosa virginica virginica versicolor setosavirginica]模型评估
方法一
print(Test set score: {:.2f}.format(np.mean(y_pred y_test)))
# Test set score: 0.97方法二
print(Test set score: {:.2f}.format(metrics.accuracy_score(r_pred, r_test))) # Test set score: 0.97方法三
print(Test set score: {:.2f}.format(knn.score(X_test, r_test))) # Test set score: 0.97
