机器学习的鸢尾花建模流程

人工智能包含机器学习

机器学习包含深度学习

距离的度量计算

特征工程

归一化

(很少使用,受数据影响比较大,不推荐)

标准化

建模流程的六大步骤

获取数据-->数据预处理-->特征工程-->模型训练-->模型评估-->模型的部署和上线

鸢尾花代码的建模流程

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
import sklearn.datasets
#模型评估
from sklearn.metrics import accuracy_score

#获取数据
mydata = load_iris()
#划分数据集(数据预处理)
X_train,X_test,y_train,y_test=train_test_split(mydata.data,mydata.target,test_size=0.2,random_state=1,stratify=mydata.target)
#实例化标准化模型
tranfor = sklearn.preprocessing.StandardScaler()
#测试集先训练后转换
X_train = tranfor.fit_transform(X_train)
#测试集转换
X_test = tranfor.transform(X_test)
print(f'标准化后的训练集:{X_train[:5]}')
print(f'标准化后的测试集:{X_test[:5]}')
#4.模型训练
# 实例化模型
model = KNeighborsClassifier(n_neighbors=5)
model.fit(X_train,y_train)

#模型评估
y_per = model.predict(X_test)
print(f'模型的准确率是:{accuracy_score(y_per,y_test)}')