python

機器學習案例實操——鳶尾花

機器學習案例實操——鳶尾花

 本文做要給大家迴歸一下Numpy的基礎知識,畢竟python 中的sklearn中使用的是這種資料型別。然後用一個鳶尾花分類例項給大家演示機器學習的整個過程,讓你快速入門機器學習。

1.Numpy基礎知識回顧
在這裡插入圖片描述在這裡插入圖片描述在這裡插入圖片描述在這裡插入圖片描述在這裡插入圖片描述在這裡插入圖片描述在這裡插入圖片描述在這裡插入圖片描述

2.辨異識花
在這裡插入圖片描述在這裡插入圖片描述

在這裡插入圖片描述在這裡插入圖片描述在這裡插入圖片描述在這裡插入圖片描述
在這裡插入圖片描述在這裡插入圖片描述在這裡插入圖片描述
在這裡插入圖片描述
下面附上程式碼塊給大家O(∩_∩)O

import csv
import numpy as np
with open('iris.csv','r') as  f :
    rows=csv.reader(f)
    for row in rows:
        print(row)
    data_file=np.array(list(rows))#將資料轉換為陣列
    print(data_file.shape)#檢視陣列的形狀
Data=data_file[1:,1:5].astype(float)#將字串轉為浮點
print(np.isnan(Data).any())#檢查是否有缺失值
Labels=data_file[1:,-1]#鳶尾花型別標識
print(Labels[Labels==""].shape)#檢查是否有缺失值

from sklearn.neighbors import KNeighborsClassifier
np.random.seed(0)#設定隨機種子,產生的隨機數一樣
indices = np.random.permutation(len(Data))#隨機打亂陣列
print(indices)
Data_train = Data[indices[:-10]]#隨機選取140樣本作為訓練集
Labels_train = Labels[indices[:-10]]#隨機選取140樣本標籤作為訓練集

Data_test = Data[indices[-10:]]#剩下10個樣本作為測試集
Labels_test = Labels[indices[-10:]]#剩下10個樣本標籤作為測試集

 = KNeighborsClassifier()#定義一個knn分類器物件
knn.fit(Data_train,Labels_train)#接收兩個引數:訓練資料集及其樣本標籤
Labels_predict = knn.predict(Data_test) #呼叫該物件的測試方法,主要接收一個引數:測試資料集
probility=knn.predict_proba(Data_test)#計算各測試樣本基於概率的預測
neighborpoint=knn.kneighbors(Data_test[-1],5,False)
score=knn.score(Data_test,Labels_test,sample_weight=None)#呼叫該物件的打分方法,計算出準確率
print('Labels_predict = ')
print(Labels_predict )#輸出測試的結果
print('Labels_test = ')
print(Labels_test)#輸出原始測試資料集的正確標籤
print('Accuracy:',score)#輸出準確率計算結果
print(probility)

編寫打磨課件不易,走過路過別忘記給咱點個贊,小女子在此(❁´ω`❁)謝過!

本文章已修改原文用詞符合繁體字使用者習慣使其容易閱讀

版權宣告:此處為CSDN博主「zxxxlh123」的原創文章,依據CC 4.0 BY-SA版權協議,轉載請附上原文出處連結及本宣告。

原文連結:https://blog.csdn.net/zxxxlh123/article/details/109115493