首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >python机器学习实现鸢尾花的分类

python机器学习实现鸢尾花的分类

作者头像
用户6719124
发布于 2019-11-17 15:41:17
发布于 2019-11-17 15:41:17
6.3K00
代码可运行
举报
运行总次数:0
代码可运行

鸢尾花(学名:Iris tectorum Maxim)属百合目、鸢尾科,可供观赏,花香气淡雅,可以调制香水,其根状茎可作中药,全年可采,具有消炎作用。

鸢尾花主要有三个品种,setosa,versicolor,virginnica(山鸢尾、变色鸢尾和维吉尼亚鸢尾)。在进行分类时,主要依据是花瓣的长度(Petal Length)、宽度(Petal Width),花萼的长度(Sepal Length)和宽度(Sepal Width)(均以厘米做单位)。

本文主要是建立一个基础的机器学习的模型,根据所得到的四个长度对鸢尾花进行分类预测。因此本文是三分类问题。所使用的数据集来源于:http://archive.ics.uci.edu/ml/datasets/Iris

下面进行数据集查看和简单处理

首先引入pandas工具包:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
import pandas as pd

将下载好的iris.data文件放于代码所在文件夹中

开始读取数据,并输出一下查看

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
data = pd.read_csv('iris.data')
print(data.head())

输出为

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
   5.1  3.5  1.4  0.2  Iris-setosa
0  4.9  3.0  1.4  0.2  Iris-setosa
1  4.7  3.2  1.3  0.2  Iris-setosa
2  4.6  3.1  1.5  0.2  Iris-setosa
3  5.0  3.6  1.4  0.2  Iris-setosa
4  5.4  3.9  1.7  0.4  Iris-setosa

这里注意到没有标签标识,考虑添加标签代码

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
data.columns = ['sepal_len', 'sepal_width', 'petal_len', 'petal_width', 'class']
print(data.head())

输出为

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
   sepal_len  sepal_width  petal_len  petal_width        class
0        4.9          3.0        1.4          0.2  Iris-setosa
1        4.7          3.2        1.3          0.2  Iris-setosa
2        4.6          3.1        1.5          0.2  Iris-setosa
3        5.0          3.6        1.4          0.2  Iris-setosa
4        5.4          3.9        1.7          0.4  Iris-setosa

建立模型前,首先介绍pipeline代码:

Pipeline可以将许多算法模型串联起来,比如将特征提取、归一化、分类组织在一起形成一个典型的机器学习问题工作流。主要带来两点好处:

  1. 直接调用fit和predict方法来对pipeline中的所有算法模型进行训练和预测。
  2. 可以结合grid search对参数进行选择。

开始构建模型

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
x = x[:, :2]
# 这里取前两个样本
lr = Pipeline([('sc', StandardScaler()),
               ('poly', PolynomialFeatures(degree=3)),
               ('clf', LogisticRegression())])

# StandardScaler----计算训练集的平均值和标准差,以便测试数据集使用相同的变换
# PolynomialFeatures使用多项式的方法来进行的,degree:控制多项式的度
# LogisticRegression()逻辑回归算法
lr.fit(x, y.ravel())
# .ravel(扁平化操作)
y_hat = lr.predict(x)
y_hat_prob = lr.predict_proba(x)
np.set_printoptions(suppress=True)

输出计算值

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
print('y_hat = \n', y_hat)

输出为

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
y_hat = 
 ['Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa'
 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa'
 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa'
 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa'
 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa'
 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa'
 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa'
 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa'
 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa'
 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-setosa' 'Iris-virginica'
 'Iris-virginica' 'Iris-virginica' 'Iris-versicolor' 'Iris-virginica'
 'Iris-versicolor' 'Iris-virginica' 'Iris-versicolor' 'Iris-virginica'
 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor'
 'Iris-versicolor' 'Iris-versicolor' 'Iris-virginica' 'Iris-versicolor'
 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor'
 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor' 'Iris-virginica'
 'Iris-virginica' 'Iris-virginica' 'Iris-virginica' 'Iris-versicolor'
 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor'
 'Iris-versicolor' 'Iris-versicolor' 'Iris-virginica' 'Iris-virginica'
 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor'
 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor'
 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor'
 'Iris-versicolor' 'Iris-virginica' 'Iris-versicolor' 'Iris-virginica'
 'Iris-versicolor' 'Iris-virginica' 'Iris-virginica' 'Iris-versicolor'
 'Iris-virginica' 'Iris-virginica' 'Iris-virginica' 'Iris-virginica'
 'Iris-virginica' 'Iris-virginica' 'Iris-versicolor' 'Iris-versicolor'
 'Iris-virginica' 'Iris-virginica' 'Iris-virginica' 'Iris-virginica'
 'Iris-versicolor' 'Iris-virginica' 'Iris-versicolor' 'Iris-virginica'
 'Iris-versicolor' 'Iris-virginica' 'Iris-virginica' 'Iris-versicolor'
 'Iris-versicolor' 'Iris-virginica' 'Iris-virginica' 'Iris-virginica'
 'Iris-virginica' 'Iris-virginica' 'Iris-versicolor' 'Iris-versicolor'
 'Iris-virginica' 'Iris-virginica' 'Iris-virginica' 'Iris-versicolor'
 'Iris-virginica' 'Iris-virginica' 'Iris-virginica' 'Iris-versicolor'
 'Iris-virginica' 'Iris-virginica' 'Iris-virginica' 'Iris-versicolor'
 'Iris-virginica' 'Iris-virginica' 'Iris-versicolor']
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
print('y_hat_prob = \n', y_hat_prob)
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
y_hat_prob = 
[[0.85534909 0.09533414 0.04931677]
 [0.98474307 0.00832482 0.00693211]
 [0.98625508 0.00560102 0.00814391]
 [0.99481669 0.00337505 0.00180826]
 [0.99555309 0.00029521 0.0041517 ]
 [0.99869804 0.00071571 0.00058625]
 [0.96800558 0.02312483 0.00886959]
 [0.98822691 0.00186241 0.00991067]
 [0.90246766 0.0651196  0.03241274]
 [0.97733905 0.00824859 0.01441237]
 [0.99239647 0.00505615 0.00254739]
 [0.91642349 0.04917927 0.03439724]
 [0.99676732 0.00030162 0.00293106]
 [0.9398823  0.00009638 0.06002132]
 [0.99461788 0.         0.00538212]
 [0.99555309 0.00029521 0.0041517 ]
 [0.97350852 0.01856996 0.00792152]
 [0.93843364 0.00421448 0.05735187]
 [0.99895347 0.00038381 0.00066272]
 [0.76891197 0.16398317 0.06710486]
 [0.99654569 0.00181396 0.00164035]
 [0.99985893 0.00008626 0.0000548 ]
 [0.89079074 0.08149018 0.02771908]
 [0.99239647 0.00505615 0.00254739]
 [0.76081779 0.16883512 0.07034708]
 [0.96800558 0.02312483 0.00886959]
 [0.95362866 0.03209173 0.01427961]
 [0.90242719 0.07174113 0.02583168]
 [0.98474307 0.00832482 0.00693211]
 [0.94634023 0.03227143 0.02138834]
 [0.76891197 0.16398317 0.06710486]
 [0.99990061 0.00000102 0.00009837]
 [0.99854342 0.00000022 0.00145636]
 [0.90246766 0.0651196  0.03241274]
 [0.89203188 0.07793728 0.03003084]
 [0.82742392 0.10540162 0.06717445]
 [0.90246766 0.0651196  0.03241274]
 [0.99357802 0.00107196 0.00535003]
 [0.94205304 0.04253986 0.01540711]
 [0.98600147 0.00980546 0.00419307]
 [0.73275657 0.24653389 0.02070954]
 [0.99868435 0.00031417 0.00100147]
 [0.98600147 0.00980546 0.00419307]
 [0.99895347 0.00038381 0.00066272]
 [0.91642349 0.04917927 0.03439724]
 [0.99895347 0.00038381 0.00066272]
 [0.99300324 0.00314587 0.0038509 ]
 [0.98722324 0.00541553 0.00736122]
 [0.9372624  0.04564148 0.01709611]
 [0.00066831 0.19151727 0.80781442]
 [0.03574259 0.42213636 0.54212105]
 [0.00172174 0.2380128  0.76026547]
 [0.00029696 0.8681783  0.13152475]
 [0.00950958 0.39994199 0.59054842]
 [0.04283799 0.66526153 0.29190048]
 [0.06414466 0.4034332  0.53242214]
 [0.09112085 0.81279954 0.09607961]
 [0.00919148 0.3627435  0.62806502]
 [0.14866386 0.65381848 0.19751766]
 [0.00000411 0.98713147 0.01286442]
 [0.06444261 0.60066389 0.3348935 ]
 [0.00000726 0.77291594 0.2270768 ]
 [0.03528951 0.56903905 0.39567144]
 [0.08306604 0.64863356 0.2683004 ]
 [0.00778275 0.32411726 0.66809999]
 [0.12020666 0.62210179 0.25769155]
 [0.02028952 0.67175405 0.30795643]
 [0.00000391 0.65907266 0.34092342]
 [0.00481714 0.77187864 0.22330423]
 [0.11985284 0.5470987  0.33304846]
 [0.02379884 0.57797637 0.39822479]
 [0.00126724 0.49987542 0.49885734]
 [0.02379884 0.57797637 0.39822479]
 [0.01930587 0.46089705 0.51979708]
 [0.01163503 0.37280608 0.61555889]
 [0.00183391 0.23007537 0.76809072]
 [0.00679824 0.32461748 0.66858428]
 [0.04065629 0.59470414 0.36463958]
 [0.01100368 0.71867499 0.27032133]
 [0.00166588 0.82860137 0.16973275]
 [0.00166588 0.82860137 0.16973275]
 [0.02028952 0.67175405 0.30795643]
 [0.01541111 0.62137558 0.36321331]
 [0.22790609 0.5687734  0.20332051]
 [0.22911292 0.37297796 0.39790913]
 [0.00778275 0.32411726 0.66809999]
 [0.00003469 0.54029537 0.45966993]
 [0.12020666 0.62210179 0.25769155]
 [0.00647063 0.78828408 0.20524529]
 [0.01829676 0.74880171 0.23290153]
 [0.047037   0.55814244 0.39482055]
 [0.00920271 0.69735007 0.29344721]
 [0.00660544 0.92151972 0.07187483]
 [0.03004904 0.70327522 0.26667574]
 [0.09397292 0.62309996 0.28292712]
 [0.06590712 0.64403573 0.29005715]
 [0.03009288 0.53848234 0.43142478]
 [0.0533754  0.79584651 0.15077809]
 [0.04283799 0.66526153 0.29190048]
 [0.06414466 0.4034332  0.53242214]
 [0.02028952 0.67175405 0.30795643]
 [0.00017942 0.15797581 0.84184477]
 [0.02476733 0.5025339  0.47269877]
 [0.01778844 0.41878697 0.56342459]
 [0.00000002 0.07518897 0.92481101]
 [0.26845465 0.61461222 0.11693313]
 [0.00000746 0.09075442 0.90923812]
 [0.00020758 0.20054784 0.79924458]
 [0.00007868 0.02245862 0.97746269]
 [0.02450888 0.38498824 0.59050288]
 [0.00733268 0.44265197 0.55001535]
 [0.00348126 0.27669229 0.71982645]
 [0.00380647 0.75199042 0.24420311]
 [0.0359175  0.65054005 0.31354245]
 [0.03574259 0.42213636 0.54212105]
 [0.01778844 0.41878697 0.56342459]
 [0.         0.00115857 0.99884143]
 [0.         0.01728022 0.98271978]
 [0.00000726 0.77291594 0.2270768 ]
 [0.00183015 0.22552467 0.77264519]
 [0.05348703 0.67448608 0.27202689]
 [0.         0.0390756  0.9609244 ]
 [0.00946976 0.4985239  0.49200634]
 [0.00987797 0.26085566 0.72926638]
 [0.00005193 0.13855405 0.86139402]
 [0.02041318 0.54303587 0.43655094]
 [0.047037   0.55814244 0.39482055]
 [0.01316304 0.45370611 0.53313084]
 [0.00004617 0.13077655 0.86917728]
 [0.00000075 0.05736916 0.94263009]
 [0.         0.0012725  0.9987275 ]
 [0.01316304 0.45370611 0.53313084]
 [0.01686445 0.50166674 0.48146882]
 [0.00596213 0.60032111 0.39371676]
 [0.         0.07108026 0.92891974]
 [0.0949242  0.31744331 0.58763249]
 [0.0297933  0.44965611 0.5205506 ]
 [0.05504791 0.58154689 0.3634052 ]
 [0.00172174 0.2380128  0.76026547]
 [0.00778275 0.32411726 0.66809999]
 [0.00172174 0.2380128  0.76026547]
 [0.02028952 0.67175405 0.30795643]
 [0.00427181 0.26354829 0.7321799 ]
 [0.00987797 0.26085566 0.72926638]
 [0.00679824 0.32461748 0.66858428]
 [0.00126724 0.49987542 0.49885734]
 [0.01778844 0.41878697 0.56342459]
 [0.13172405 0.34233852 0.52593742]
 [0.06444261 0.60066389 0.3348935 ]]

输出正确率

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
print('准确度:%.2f%%' % (100*np.mean(y_hat == y.ravel())))
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
准确度:80.54%

我们换用K近邻分类法重新对其进行分析

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
from sklearn.datasets import load_iris

iris_dataset = load_iris()
# print(iris_dataset)

from sklearn.model_selection import train_test_split

x_train, y_train, x_test, y_test = train_test_split(iris_dataset['data'], iris_dataset['target'], 0.8, random_state=0)
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pandas.plotting import scatter_matrix

iris_dataframe = pd.DataFrame(x_train, columns=iris_dataset.feature_names)
grr = pd.plotting.scatter_matrix(iris_dataframe, c=y_train, marker='o', figsize=(10, 10), hist_kwds = {'bins': 20}, s=60, alpha = 0.8, cmap='viridis')
plt.show()

以上是2-2分类绘制散点图

引入K分类工具包

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
from sklearn.neighbors import KNeighborsClassifier
Knn = KNeighborsClassifier(n_neighbors=1)
Knn.fit(x_train, y_train)

开始预测并输出结果

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
y_pred = Knn.predict(x_test)
print("Test set score: {:.2f}".format(np.mean(y_pred == y_test)))

结果为

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
Test set score: 0.97

该结果要高于之前的算法。随着进一步调参,正确率也会进一步提高。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-09-27,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 python pytorch AI机器学习实践 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
机器学习实战第1天:鸢尾花分类任务
鸢尾花分类任务是一个经典的机器学习问题,通常用于演示和测试分类算法的性能。该任务的目标是根据鸢尾花的特征将其分为三个不同的品种,即山鸢尾(Setosa)、变色鸢尾(Versicolor)和维吉尼亚鸢尾(Virginica)。这个任务是一个多类别分类问题,其中每个样本都属于三个可能的类别之一。
Nowl
2024/01/18
2.1K0
机器学习实战第1天:鸢尾花分类任务
分别用逻辑回归和决策树实现鸢尾花数据集分类
学习了决策树和逻辑回归的理论知识,决定亲自上手尝试一下。最终导出决策树的决策过程的图片和pdf。逻辑回归部分参考的是用逻辑回归实现鸢尾花数据集分类,感谢原作者xiaoyangerr 注意:要导出为pdf先必须安装graphviz(这是一个软件)并且安装pydotplus这个包,把它的graphviz加入系统的环境变量path,否则会报错 决策树 from sklearn.datasets import load_iris from sklearn import tree from sklearn.mo
Aidol
2020/07/23
1.6K0
分别用逻辑回归和决策树实现鸢尾花数据集分类
ML学习笔记之XGBoost实现对鸢尾花数据集分类预测
import xgboost as xgb import numpy as np import pandas as pd from sklearn.model_selection import train_test_split if __name__ == '__main__': iris_feature_E = "sepal lenght", "sepal width", "petal length", "petal width" iris_feature = "the length
Jetpropelledsnake21
2019/12/24
8630
分类-KNN算法(鸢尾花分类实战)
K近邻(K Nearest Neighbors,KNN)算法是最简单的分类算法之一,也就是根据现有训练数据判断输入样本是属于哪一个类别。
唔仄lo咚锵
2022/11/30
1K0
分类-KNN算法(鸢尾花分类实战)
机器学习-实现简单神经网络(差代码) 原
(5)如果正确则输出电信号,得到最终结果;如果错误,就把错误结果根据前面所描述得步骤返回来,对权重向量进行跟新,再把其他原有的训练样本或者是新的徐连样本再重新输入到感知器中。
晓歌
2018/08/15
4010
机器学习-实现简单神经网络(差代码)
                                                                            原
实验一:鸢尾花数据集分类「建议收藏」
利用机器学习算法构建模型,根据鸢尾花的花萼和花瓣大小,区分鸢尾花的品种。实现一个基础的三分类问题。
全栈程序员站长
2022/08/02
9.3K0
实验一:鸢尾花数据集分类「建议收藏」
鸢尾花(Iris)数据集入门
鸢尾花(Iris)数据集是机器学习领域中最经典的数据集之一。它由三种不同品种的鸢尾花的测量数据组成:山鸢尾(setosa)、变色鸢尾(versicolor)和维吉尼亚鸢尾(virginica)。 在这篇文章中,我们将使用Markdown代码格式详细介绍鸢尾花数据集的基本信息以及如何加载和探索这个数据集。
大盘鸡拌面
2023/10/20
3K0
KNN算法应用
Iris数据集是常用的分类实验数据集,由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集,是一类多重变量分析的数据集。数据集包含150个数据集,分为3类,每类50个数据,每个数据包含4个属性。可通过花萼长度,花萼宽度,花瓣长度,花瓣宽度4个属性预测鸢尾花卉属于(Setosa,Versicolour,Virginica)三个种类中的哪一类。
foochane
2019/05/23
7790
KNN算法应用
机器学习之鸢尾花-数据预处理
再次开启机器学习之路,这次选择鸢尾花案例,这个案例数据挺好玩的,可以验证无监督学习和有监督学习,有监督学习可以采用各种分类算法、决策树算法,无监督学习可以采用各种聚类,并基于目标结果进行验证准确性。
python与大数据分析
2022/03/11
1.2K0
机器学习之鸢尾花-数据预处理
使用Python完成你的第一个学习项目
你是否想使用python进行机器学习但却难以入门? 在这篇教程中,你将用Python完成你的第一个机器学习项目。 在以下的教程中,你将学到: 下载并安装Python SciPy,为Python中的机器学习安装最有用的软件包。 使用统计摘要和数据可视化加载数据集并了解其结构。 创建6个机器学习模型,并挑选出最佳模型以确保准确性。 本教程为决心使用python进行机器学习的新手做一个讲解。 让我们开始吧! 2017/01 更新:更新后反映了版本0.18中的scikit- learn API的变化。
AiTechYun
2018/03/02
1.7K0
使用Python完成你的第一个学习项目
Python sklearn实现SVM鸢尾花分类
✅作者简介:人工智能专业本科在读,喜欢计算机与编程,写博客记录自己的学习历程。 🍎个人主页:小嗷犬的博客 🍊个人信条:为天地立心,为生民立命,为往圣继绝学,为万世开太平。 🥭本文内容:Python sklearn实现SVM鸢尾花分类 更多内容请见👇 Python sklearn实现K-means鸢尾花聚类 Pytorch 基于LeNet的手写数字识别 Pytorch 基于AlexNet的服饰识别(使用Fashion-MNIST数据集) ---- 本文目录 准备 1.加载相关包 2.加载数据、
小嗷犬
2022/11/15
1.1K0
Python sklearn实现SVM鸢尾花分类
从Iris数据集开始---机器学习入门
代码多来自《Introduction to Machine Learning with Python》. 该文集主要是自己的一个阅读笔记以及一些小思考,小总结。 #前言 在开始进行模型训练之前,
用户1631856
2018/04/12
2.1K0
从Iris数据集开始---机器学习入门
鸢尾花数据集knn算法可视化(在R中找到鸢尾花数据)
kNN(K Nearest Neighbor)算法是机器学习中最基础入门,也是最常用的算法之一,可以解决大多数分类与回归问题。这里以鸢尾花数据集为例,讨论分类问题中的 kNN 的思想。
全栈程序员站长
2022/07/28
2K0
鸢尾花数据集knn算法可视化(在R中找到鸢尾花数据)
【一起从0开始学习人工智能】0x01机器学习基础+初次实践
人工智能------机器学习-------深度学习 应用:网络安全、交通网络、社交网络…
20岁爱吃必胜客
2023/01/01
3430
【一起从0开始学习人工智能】0x01机器学习基础+初次实践
机器学习算法(一): 基于逻辑回归的分类预测
项目链接参考fork一下直接运行:https://www.heywhale.com/home/column/64141d6b1c8c8b518ba97dcc
汀丶人工智能
2023/03/22
5810
鸢尾花经典机器学习分类Python实现案例
由Fisher在1936年整理的Iris 鸢尾花数据集是一个经典数据集,在统计学习和机器学习领域都经常被用作示例。
机器思维研究院
2020/01/02
5.3K0
10分钟掌握Python-机器学习小项目
而且,Python 还有很多模块和程序库供我们选择,从而针对一个任务能有很多个解决方案。怎么样,听起来还是很厉害的吧?
一墨编程学习
2018/11/21
1K0
基于sklearn的LogisticRegression鸢尾花多类分类实践
本文使用sklearn的逻辑斯谛回归模型,进行鸢尾花多分类预测,对OvR与OvO多分类方法下的预测结果进行对比。
Michael阿明
2020/07/13
1.7K0
iris鸢尾花数据集最全数据分析
在写这篇文章之前,首先安利下jupyter,简直是神作,既可以用来写文章,又可以用来写代码,文章和代码并存,简直就是写代码/文章/教程的利器。
滚神大人
2019/09/10
12.1K0
iris鸢尾花数据集最全数据分析
从零开始的机器学习之SVM一个简单的实现案例——鸢尾花分类
这个iris.data就是我们需要的数据了。点击进去,会在网页中显示数据。数据长这个样子。
闻说社
2022/09/29
1.4K0
推荐阅读
相关推荐
机器学习实战第1天:鸢尾花分类任务
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验