一、机器学习基础理论

1、机器学习过程

2、机器学习分类

3、数据集返回值介绍

二、鸢尾花数据集（实战）

1、首先是获取数据集

2、显示数据集信息（可以不要）

三、数据集划分

1、数据集划分API

2、代码及效果

总代码

一、机器学习基础理论

1、机器学习过程

获取数据

数据处理

特征工程（特征值、目标值）(包括标准化)

算法训练 -> 得到模型

模型评估

2、机器学习分类（有监督/无监督）

学习阶段可用数据集：

sklearn、kaggle、UCI

3、数据集返回值介绍

load返回小数据集，fetch返回大数据集。

返回datasets.base.Bunch数据类型（字典格式）

标签（target）：目标值

特征（data）：特征值

返回方式1：dict['key']

返回方式2：dict.key

二、鸢尾花数据集（实战）

以上三种鸢尾花，分别为鸢尾花的三个标签。

1、首先是获取数据集

# 获取数据集（鸢尾花）iris = load_iris()

2、显示数据集信息（可以不要）

# 显示数据集信息Show_Data()# 显示数据集
def Show_Data():# 鸢尾花数据集print('鸢尾花数据集\n\n', iris)# print('鸢尾花数据集描述\n', iris['DESCR'])# 鸢尾花标签# print('鸢尾花标签名称\n', iris.target_names)# print('鸢尾花标签数组\n', iris.target)# 鸢尾花特征值# print('鸢尾花特征值名称\n', iris.feature_names)# print('鸢尾花特征值\n', iris.data)# 数组行、列查看# print('鸢尾花特征数组行列\n', iris.data.shape)# print('鸢尾花标签数组行列\n', iris.target.shape)

三、数据集划分

为了给后面的模型评估留下数据，这里只能选取一部分数据进行模型训练。

1、数据集划分API

sklearn.model_selection.train_test_split
返回：训练集特征值、测试集特征值、训练集目标值、测试集目标值。

2、代码及效果

# 数据集划分
def Data_Split():# 训练集、测试集划分APItrain_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target, test_size=0.2)#训练集特征值 测试集特征值 训练集目标值    测试集目标值   训练集测试集划分API  训练集      测试集       测试量# 显示（训练集/测试集的特征值/目标值）print('训练集特征值：', train_data.shape)print('测试集特征值：', test_data.shape)print('训练集目标值：', train_target.shape)print('测试集目标值：', test_target.shape)

总代码

# 机器学习基础（鸢尾花数据集）
# sklearn.model_selection.train_test_split返回：
# 训练集特征值、测试集特征值、训练集目标值、测试集目标值。
import cv2
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split# 显示数据集
def Show_Data():# 鸢尾花数据集print('鸢尾花数据集\n\n', iris)# print('鸢尾花数据集描述\n', iris['DESCR'])# 鸢尾花标签# print('鸢尾花标签名称\n', iris.target_names)# print('鸢尾花标签数组\n', iris.target)# 鸢尾花特征值# print('鸢尾花特征值名称\n', iris.feature_names)# print('鸢尾花特征值\n', iris.data)# 数组行、列查看# print('鸢尾花特征数组行列\n', iris.data.shape)# print('鸢尾花标签数组行列\n', iris.target.shape)# 数据集划分
def Data_Split():# 训练集、测试集划分APItrain_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target, test_size=0.2)#训练集特征值 测试集特征值 训练集目标值    测试集目标值   训练集测试集划分API  训练集      测试集       测试量# 显示（训练集/测试集的特征值/目标值）print('训练集特征值：', train_data.shape)print('测试集特征值：', test_data.shape)print('训练集目标值：', train_target.shape)print('测试集目标值：', test_target.shape)if __name__ == '__main__':# 获取数据集（鸢尾花）iris = load_iris()# 显示数据集信息# Show_Data()# 数据集划分Data_Split()

机器学习（1）机器学习基础鸢尾花数据集相关推荐

机器学习入门案例：鸢尾花数据集分类绘制PR曲线
案例使用鸢尾花数据集进行分类预测,并绘制评价分类性能的PR曲线图认识分类任务和数据集 Iris(鸢尾花)数据集案例演示中使用的是有监督的机器学习算法:SVM 支持向量机建立模型的流程如下: 训练 ...
机器学习之有监督学习实例_01 —— 鸢尾花数据集的分类
Iris 数据集简介 : Iris Data Set(鸢尾属植物数据集)首次出现在著名的英国统计学家和生物学家Ronald Fisher 1936年的论文<The use of multiple ...
机器学习案例——鸢尾花数据集分析
前几天把python基础知识过了一遍,拿了这个小例子作为练手项目,这个案例也有师兄的帮助,记录完,发现代码贴的很多,文章有点长,为了节省篇幅,有一些说明就去掉了,毕竟鸢尾花数据集比较经典,网上 ...
python鸢尾花数据集_鸢尾花经典机器学习分类Python实现案例
作者|Nature 出品|AI机器思维由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. 其数据集变量包含4个特征(Sepal.Len ...
python机器学习之门之sklearn的使用（使用鸢尾花数据集）
sklearn全称为scikit learn 专门提供了python机器学习的模块是一个高效的数据分析算法工具建议在numpy scipy matplotlib上对于大多数机器学习通常有以下四 ...
《机器学习》分析鸢尾花数据集
转载地址:https://www.cnblogs.com/mandy-study/p/7941365.html 分析鸢尾花数据集下面将结合Scikit-learn官网的逻辑回归模型分析鸢尾花示例,给 ...
机器学习--python代码实现基于Fisher的线性判别（鸢尾花数据集的分类）
一.线性分类–判断该函数属于哪一类先上例题,然后我会通过两种方法来判断该函数属于哪一类 1.图解法定义对于多类问题:模式有 ω1 ,ω2 , - , ωm 个类别,可分三种情况: 第一种情况:每 ...
【机器学习】决策树案例二：利用决策树进行鸢尾花数据集分类预测
利用决策树进行鸢尾花数据集分类预测 2 利用决策树进行鸢尾花数据集分类预测 2.1 导入模块与加载数据 2.2 划分数据 2.3 模型创建与应用 2.4 模型可视化手动反爬虫,禁止转载: 原博地址 ...
机器学习之sklearn基础教程！
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货作者:李祖贤,深圳大学,Datawhale高校群成员本次分享是基于sc ...

机器学习（1）机器学习基础鸢尾花数据集

一、机器学习基础理论

1、机器学习过程

2、机器学习分类（有监督/无监督）

3、数据集返回值介绍

二、鸢尾花数据集（实战）

1、首先是获取数据集

2、显示数据集信息（可以不要）

三、数据集划分

1、数据集划分API

2、代码及效果

总代码

机器学习（1）机器学习基础鸢尾花数据集相关推荐

最新文章

热门文章

机器学习（1）机器学习基础 鸢尾花数据集

一、机器学习基础理论

1、机器学习过程

2、机器学习分类（有监督/无监督）

3、数据集返回值介绍

二、鸢尾花数据集（实战）

1、首先是获取数据集

2、显示数据集信息（可以不要）

三、数据集划分

1、数据集划分API

2、代码及效果

总代码

机器学习（1）机器学习基础 鸢尾花数据集相关推荐

最新文章

热门文章

机器学习（1）机器学习基础鸢尾花数据集

机器学习（1）机器学习基础鸢尾花数据集相关推荐