第五节 算法的分类介绍和数据集的划分

"""
机器学习算法分类：
    监督学习（有目标值）
        分类（目标值是离散型数据）：K-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
        回归（目标值是连续型数据）：线性回归、岭回归
    无监督学习（无目标值）：聚类 K-means
机器学习一般会把数据集划分为训练集（3/4）和测试集（1/4），可以使用sklearn中的train_test_split模块进行自动分类
"""

# 使用sklearn自带的鸢尾花数据集进行数据划分
from sklearn.datasets import load_iris  # 鸢尾花模块
from sklearn.model_selection import train_test_split  # 选择测试集模块

li = load_iris()
# li.data特征集，li.target目标集，test_size测试集占比
print(li.data)
print(li.target)
x_train, x_test, y_train, y_test = train_test_split(li.data, li.target, test_size=0.25)

print("训练集的特征值和目标值：", x_train, x_test)
print("测试集的特征值和目标值：", y_train, y_test)

标签：print,划分,目标值,li,第五节,算法,train,test,sklearn
来源： https://www.cnblogs.com/kogmaw/p/12571649.html