鸢尾花分类：KNN和SVM算法实现

鸢尾花分类：KNN和SVM算法实现

本示例使用Python中的sklearn库实现鸢尾花数据集的分类任务，并分别使用KNN和SVM算法进行模型训练和预测。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

# KNN算法
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)
knn_pred = knn.predict(X_test)
knn_acc = accuracy_score(y_test, knn_pred)
print('KNN accuracy:', knn_acc)

# SVM算法
svm = SVC()
svm.fit(X_train, y_train)
# svm_pred = svm.predict(X_test)
# svm_acc = accuracy_score(y_test, svm_pred)
# print('SVM accuracy:', svm_acc)

代码功能描述

• 使用 load_iris() 函数加载鸢尾花数据集。
• 使用 train_test_split() 函数将数据集划分成训练集和测试集。
• 使用 KNeighborsClassifier() 创建KNN分类器，并使用 fit() 方法训练模型。
• 使用 predict() 方法对测试集进行预测，并使用 accuracy_score() 计算模型的准确率。
• 代码中也包含了SVM算法的代码，但没有给出具体的分类结果和准确率。

总结

本示例展示了如何使用sklearn库实现鸢尾花数据集的分类任务，并使用KNN算法进行模型训练和预测，并计算了模型的准确率。此外，代码还简要介绍了SVM算法的应用。