首页分享利用sklearn载入iris数据集并利用感知机进行分类(三个类别)

利用sklearn载入iris数据集并利用感知机进行分类(三个类别)

来源：花匠小妙招时间：2026-05-03 18:05

利用python中的sklearn模块输入特征进行鸢尾花的分类,最终实现三种鸢尾花的分类

import sklearn from sklearn import datasets import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score 12345 iris数据集为一个用于识别鸢尾花的机器学习数据集通过四种特征(花瓣长度,花瓣宽度,花萼长度,花萼宽度)来实现三种鸢尾花的类别划分

载入数据集

#加载iris数据集 #iris数据集为一个用于识别鸢尾花的机器学习数据集 #通过四种特征(花瓣长度,花瓣宽度,花萼长度,花萼宽度)来实现三种鸢尾花的类别划分 iris = datasets.load_iris() 1234

选择特征

#iris.data大小为150*4,代表4种特征 #这里只提取后两类特征 X = iris.data[:,[2,3]] 123

标签

#标签 y = iris.target 12

划分训练集和测试集

#划分训练集和测试集 #random_state = 0表示不设定随机数种子,每一次产生的随机数不一样 X_train,X_test,y_train,y_test = train_test_split(X, y, test_size = 0.3, random_state = 0) 123

特征缩放
这里相当于对数据做了一个标准化处理,将数据减去平均值再除以标准差

# 为了追求机器学习和最优化算法的最佳性能，我们将特征缩放 from sklearn.preprocessing import StandardScaler 12

sc = StandardScaler() 1

# 估算每个特征的平均值和标准差 sc.fit(X_train) 12

# 查看特征的平均值，由于Iris我们只用了两个特征，结果是array([ 3.82857143, 1.22666667]) sc.mean_ 12

# 查看特征的标准差，结果是array([ 1.79595918, 0.77769705]) sc.scale_ 12

#标准化训练集 X_train_std = sc.transform(X_train) 12

# 注意：这里我们要用同样的参数来标准化测试集，使得测试集和训练集之间有可比性 X_test_std = sc.transform(X_test) 12

定义模型

# 训练感知机模型 from sklearn.linear_model import Perceptron # n_iter：可以理解成梯度下降中迭代的次数 # eta0：可以理解成梯度下降中的学习率 # random_state：设置随机种子的，为了每次迭代都有相同的训练集顺序 ppn = Perceptron(n_iter=40, eta0=0.1, random_state=0) 1234567

开始训练

ppn.fit(X_train_std, y_train) 1

输入测试集,得到预测结果

# 分类测试集，这将返回一个测试结果的数组 y_pred = ppn.predict(X_test_std) 12

将预测结果与真实标签作对比查看得分

# 计算模型在测试集上的准确性 accuracy_score(y_test, y_pred) 12

运行结果
在这里插入图片描述

完整代码:

## 利用sklearn载入iris数据集并利用感知机进行分类(三个类别) import sklearn from sklearn import datasets import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score #加载iris数据集 #iris数据集为一个用于识别鸢尾花的机器学习数据集 #通过四种特征(花瓣长度,花瓣宽度,花萼长度,花萼宽度)来实现三种鸢尾花的类别划分 iris = datasets.load_iris() #iris.data大小为150*4,代表4种特征 #这里只提取后两类特征 X = iris.data[:,[2,3]] #标签 y = iris.target #划分训练集和测试集 #random_state = 0表示不设定随机数种子,每一次产生的随机数不一样 X_train,X_test,y_train,y_test = train_test_split(X, y, test_size = 0.3, random_state = 0) # 为了追求机器学习和最优化算法的最佳性能，我们将特征缩放 from sklearn.preprocessing import StandardScaler sc = StandardScaler() sc.fit(X_train) # 估算每个特征的平均值和标准差 # 查看特征的平均值，由于Iris我们只用了两个特征，结果是array([ 3.82857143, 1.22666667]) sc.mean_ # 查看特征的标准差，结果是array([ 1.79595918, 0.77769705]) sc.scale_ #标准化训练集 X_train_std = sc.transform(X_train) # 注意：这里我们要用同样的参数来标准化测试集，使得测试集和训练集之间有可比性 X_test_std = sc.transform(X_test) # 训练感知机模型 from sklearn.linear_model import Perceptron # n_iter：可以理解成梯度下降中迭代的次数 # eta0：可以理解成梯度下降中的学习率 # random_state：设置随机种子的，为了每次迭代都有相同的训练集顺序 ppn = Perceptron(n_iter=40, eta0=0.1, random_state=0) ppn.fit(X_train_std, y_train) # 分类测试集，这将返回一个测试结果的数组 y_pred = ppn.predict(X_test_std) # 计算模型在测试集上的准确性 accuracy_score(y_test, y_pred)

12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758