算法——机器学习笔记"/>

鸢尾花分类算法——机器学习笔记

鸢尾花分类算法——机器学习笔记

开发环境

python、pycharm、sklearn模块。

作者想说

最近正在学习机器学习和参加JavaScript的项目，现在来整理一下机器学习的一些知识点。如果有喜欢的朋友请点个赞和关注，我会继续发一些有趣的博客一起学习。

机器学习

首先我们先来看一下机器学习的主要步骤：

1. 数据的加载：加载、处理（清洗、规约等）数据
2. 模型的选择：选择处理数据的模型
3. 模型的训练：根据数据去训练模型
4. 模型的预测：训练模型之后，用一些值去测试模型的预测结果
5. 模型的评测：对模型进行评分，如计算准确率、均方误差，平均绝对误差等
6. 模型的保存：保存模型，下次再使用时，不必重新训练

简单理解就是：
我们给计算机一本书（数据加载），告诉它我们怎么去学习里面的知识（模型选择），然后让它尝试去读这本书（模型训练），等它读完了书之后，问它一些书里的问题（模型预测），我们根据它的回答判断它学得好不好（模型预测），最后让它记住书里的知识不要忘记（模型保存）。

鸢尾花分类算法

鸢尾花的品种有很多，有德国鸢尾、荷兰鸢尾、黄色丹佛鸢尾等等。它们之中都有一定的特征，如德国鸢尾就是比较具有观赏性的，它的颜色非常多，也都十分美观。
鸢尾花分类算法要做的，就是从记录了鸢尾花的特征的数据，按照一定的规则把特征进行分类，比如：花瓣样式、花色、花蕊、花径粗细长短等特点进行分类。最后实现知道一朵鸢尾花的花瓣、花色等特征时，就能够判断它是哪种鸢尾花。

代码

from sklearn import datasets #数据来源
from sklearn.model_selection import train_test_split #数据分割
from sklearn.neighbors import KNeighborsClassifier #模型选择
from sklearn.externals import joblib #保存模型def IrisTrain():iris_data = datasets.load_iris()    #加载x_train = iris_data.data   #特征集y_train = iris_data.target     #标签x_train,x_test,y_train,y_test = train_test_split(x_train,y_train,test_size=0.3)     #切割训练集和测试集knn = KNeighborsClassifier()    #选择模型knn.fit(x_train,y_train)    #训练iris_predict = knn.predict(x_test)     #预测return iris_predict,x_test,y_test,knnif __name__ == '__main__':iris_predict,iris_Xtest,iris_Ytest,knn= IrisTrain()lables = ["德国鸢尾", "荷兰鸢尾", "网脉鸢尾"]for i in range(len(iris_predict)):print("第%s次测试，预测值是：%s，真实值是：%s" % ((i + 1), lables[iris_Ytest[i]], lables[iris_predict[i]]))print("准确率是：{:.2%}".format(knn.score(iris_Xtest,iris_Ytest)))joblib.dump(knn, r"C:\Users\Administrator\Desktop\knn_mkdel.pkl") #保存print("模型保存成功，请查看桌面文件knn_mkdel.pkl")

代码讲解

• load_iris()：是sklearn模块里的datasets类的方法，它记录了鸢尾花的数据集，模块已经帮我们处理好数据了，可以直接使用。
• KNeighborsClassifier()：是sklear模块neighbors类里的方法，表示是分类模型，neighbors里面也包括了许多模型，提供了便捷是模型选择方式。
• iris_data.data 和 iris_data.target：是我们读取的数据的特征集和标签集，特征集是记录了花色、花瓣、花蕊等特征的集合；标签集是记录了这个花色、花瓣、花蕊特征的鸢尾花是属于哪个品种的鸢尾花。

执行结果：

可以看到，预测大部分是成功的，但是也有类似图中框内的预测错误，这是正常现象，偶尔是会有判断错误的。