鸢尾花（Iris）数据集来训练一个分类器

安装必要的库

首先，确保你已经安装了scikit-learn和pandas库。如果没有安装，可以使用以下命令：

pip install scikit-learn pandas

代码示例

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建随机森林分类器
model = RandomForestClassifier(n_estimators=100, random_state=42)

# 训练模型
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

# 评估模型
accuracy = accuracy_score(y_test, y_pred)
conf_matrix = confusion_matrix(y_test, y_pred)
class_report = classification_report(y_test, y_pred)

# 打印结果
print(f"准确率: {accuracy:.2f}")
print("混淆矩阵:")
print(conf_matrix)
print("分类报告:")
print(class_report)

代码解释

1. 导入库：我们导入了必要的库，包括pandas、scikit-learn中的数据集、模型和评估工具。

2. 加载数据：使用load_iris()函数加载鸢尾花数据集。数据集包含4个特征和3个不同的鸢尾花种类。

3. 分割数据：使用train_test_split()将数据集分为训练集（80%）和测试集（20%）。

4. 创建模型：我们使用随机森林分类器（RandomForestClassifier）作为我们的模型。

5. 训练模型：使用训练数据来训练模型。

6. 预测：使用测试集进行预测。

7. 评估模型：计算并打印模型的准确率、混淆矩阵和分类报告。

本文作者：GT工作室

如有疑问联系qq：3771822731