python鸢尾花iris机器学习分类器分类

1.简介

这篇文章主要是介绍了python基于sklearn库使用不同的机器学习分类器对鸢尾花iris数据集进行分类。

---

2.iris数据集

鸢尾花数据集一共150个样本，其中：

• 特征data的维度为150*4，行数150代表样本数，列数4代表特征数，包含花萼长度、花萼宽度、花瓣长度、花瓣宽度四个特征。

• 标签target的维度为150*1，代表了不同的种类，0代表setosa，1代表versicolor，2代表virginica（三个不同的种类）。

---

3.分类器

一共使用了11个分类器，分别是

• KNN（KNeighborsClassifier）

• 逻辑回归（LogisticRegression）

• 决策树（DecisionTreeClassifier）

• 梯度提升（GradientBoostingClassifier）

• AdaBoost（AdaBoostClassifier）

• 随机森林（RandomForestClassifier）

• 高斯朴素贝叶斯（GaussianNB）

• 多项式朴素贝叶斯（MultinomialNB）

• 线性判别分析（LinearDiscriminantAnalysis）

• 二次判别分析（QuadraticDiscriminantAnalysis）

• 支持向量机（SVC）

---

4.代码

# 引入库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import GradientBoostingClassifier, AdaBoostClassifier, RandomForestClassifier
from sklearn.naive_bayes import GaussianNB, MultinomialNB
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis, QuadraticDiscriminantAnalysis
from sklearn.svm import SVC
 
# 加载数据集
iris_dataset = load_iris()
 
# 划分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(iris_dataset['data'], iris_dataset['target'])
 
# 使用不同的分类器（均使用默认参数）
 
# KNN
clf = KNeighborsClassifier()
clf.fit(X_train, y_train)
print('KNN accuracy:', clf.score(X_test, y_test))
 
# 逻辑回归
clf = LogisticRegression()
clf.fit(X_train, y_train)
print('逻辑回归 accuracy:', clf.score(X_test, y_test))
 
# 决策树
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)
print('决策树 accuracy:', clf.score(X_test, y_test))
 
# 梯度提升
clf = GradientBoostingClassifier()
clf.fit(X_train, y_train)
print('梯度提升 accuracy:', clf.score(X_test, y_test))
 
# AdaBoost
clf = AdaBoostClassifier()
clf.fit(X_train, y_train)
print('AdaBoost accuracy:', clf.score(X_test, y_test))
 
# 随机森林
clf = RandomForestClassifier()
clf.fit(X_train, y_train)
print('随机森林 accuracy:', clf.score(X_test, y_test))
 
# 高斯朴素贝叶斯
clf = GaussianNB()
clf.fit(X_train, y_train)
print('高斯朴素贝叶斯 accuracy:', clf.score(X_test, y_test))
 
# 多项式朴素贝叶斯
clf = MultinomialNB()
clf.fit(X_train, y_train)
print('多项式朴素贝叶斯 accuracy:', clf.score(X_test, y_test))
 
# 线性判别分析
clf = LinearDiscriminantAnalysis()
clf.fit(X_train, y_train)
print('线性判别分析 accuracy:', clf.score(X_test, y_test))
 
# 二次判别分析
clf = QuadraticDiscriminantAnalysis()
clf.fit(X_train, y_train)
print('二次判别分析 accuracy:', clf.score(X_test, y_test))
 
# 支持向量机
clf = SVC()
clf.fit(X_train, y_train)
print('支持向量机 accuracy:', clf.score(X_test, y_test))

---

5.结果

KNN accuracy: 0.9736842105263158
逻辑回归 accuracy: 0.9736842105263158
决策树 accuracy: 0.9736842105263158
梯度提升 accuracy: 0.9473684210526315
AdaBoost accuracy: 0.9210526315789473
随机森林 accuracy: 0.9210526315789473
高斯朴素贝叶斯 accuracy: 0.9210526315789473
多项式朴素贝叶斯 accuracy: 0.9473684210526315
线性判别分析 accuracy: 0.9736842105263158
二次判别分析 accuracy: 0.9473684210526315
支持向量机 accuracy: 0.9736842105263158

---

业务合作/学习交流+v：lizhiTechnology