简单的Scikit-Learn入门示例

以下是一个简单的Scikit-Learn入门示例,该示例使用鸢尾花(Iris)数据集来演示分类问题的基本步骤。这个数据集包含了150个样本,每个样本有四个特征(花萼长度、花萼宽度、花瓣长度、花瓣宽度),以及一个目标变量(花的种类,分为山鸢尾、杂色鸢尾和维吉尼亚鸢尾)。

python 复制代码
# 导入必要的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征数据
y = iris.target  # 目标变量(花的种类)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 数据预处理(可选步骤,这里使用特征缩放)
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 选择并训练模型(这里使用支持向量机SVM)
model = SVC(kernel='linear', C=1, random_state=42)
model.fit(X_train_scaled, y_train)

# 预测测试集结果
y_pred = model.predict(X_test_scaled)

# 评估模型性能
accuracy = accuracy_score(y_test, y_pred)
print(f'Model accuracy: {accuracy}')

在这个示例中,我们首先导入了必要的库,然后加载了鸢尾花数据集。接着,我们使用train_test_split函数将数据集划分为训练集和测试集。然后,我们选择了一个数据预处理方法(特征缩放),并用它处理了训练集和测试集的特征。之后,我们选择了支持向量机(SVM)作为分类器,并使用训练集数据训练了模型。最后,我们用模型对测试集进行了预测,并计算了模型的准确率。

相关推荐
硅谷秋水5 小时前
面向精确到达任务的机器人-对齐3D高斯溅射方法——基于腕部-相机VLA策略
数码相机·机器学习·计算机视觉·3d·机器人
2601_967979125 小时前
【一】tensorflow安装、常用python镜像源、tensorflow 深度学习强化学习教学
深度学习·tensorflow·安装教程·anaconda·gpu安装
龙腾AI白云6 小时前
数字孪生与计算机视觉:让机器看懂现场
大数据·数据库·机器学习·知识图谱·pygame
tellmewhoisi7 小时前
深度学习0:数学知识:最大似然推导过程
人工智能·深度学习·概率论
高洁0119 小时前
数字孪生与计算机视觉:让机器看懂现场
人工智能·python·机器学习·transformer·迁移学习
在所不辞兄20 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习
Oiiouui1 天前
原始CNN识别与训练模型实现
神经网络·机器学习·cnn
郝学胜-神的一滴1 天前
Effective Python 条款36:优雅拼装迭代器与生成器
开发语言·数据结构·人工智能·python·numpy·scikit-learn
罗西的思考1 天前
【轻量化复现大模型 / KIMI K3】训练模块梳理 & Muon P2P 优化器
人工智能·深度学习·机器学习