标签：iris scikit print train learn test import sklearn

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split#切割训练集与测试集
from sklearn.neighbors import KNeighborsClassifier#K临近学习

iris=datasets.load_iris()#官方库中花的data
iris_X=iris.data#储存花的所有属性 
iris_y=iris.target#花的分类

print(iris_X[:3,:9])
[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]]
print(iris_y)
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]#有三种类的花

我们需要做的就是预测不同种类的花，根据他所给的属性。所以第一件事就是划分训练集与测试集。

X_train,X_test,y_train,y_test=train_test_split(iris_X,iris_y,test_size=0.3)#测试集占百分之三十
#效果如下

print(y_train)
[2 2 2 2 0 1 1 0 1 2 0 0 0 2 1 2 2 2 1 0 0 1 1 0 0 0 1 2 0 0 1 0 2 2 2 1 0
 0 1 1 0 2 1 2 2 1 2 0 2 1 0 2 0 0 0 1 2 0 0 2 1 2 1 1 2 0 1 0 0 1 1 0 2 1
 1 2 1 1 2 0 1 1 0 1 1 1 1 0 2 1 1 2 2 1 1 0 2 0 2 0 1 1 1 0 2]

然后就开始K邻近学习了

knn=KNeighborsClassifier()
knn.fit(X_train,y_train)
print(knn.predict(X_test))
print(y_test)
[1 1 2 0 0 0 2 2 2 1 2 0 2 0 2 0 0 2 2 1 1 2 2 2 1 0 2 1 1 0 2 2 1 0 2 1 0
 2 2 1 1 0 2 1 1]
[1 1 2 0 0 0 2 2 2 1 2 0 1 0 2 0 0 2 2 1 1 1 1 2 1 0 2 1 1 0 2 2 1 0 2 1 0
 2 2 1 1 0 2 1 1]

标签：iris,scikit,print,train,learn,test,import,sklearn
来源： https://blog.csdn.net/weixin_52703681/article/details/123585522

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。