scikit-learn(sklearn)学习笔记一

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split#切割训练集与测试集
from sklearn.neighbors import KNeighborsClassifier#K临近学习

iris=datasets.load_iris()#官方库中花的data
iris_X=iris.data#储存花的所有属性 
iris_y=iris.target#花的分类

print(iris_X[:3,:9])
[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]]
print(iris_y)
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]#有三种类的花

我们需要做的就是预测不同种类的花，根据他所给的属性。所以第一件事就是划分训练集与测试集。

X_train,X_test,y_train,y_test=train_test_split(iris_X,iris_y,test_size=0.3)#测试集占百分之三十
#效果如下

print(y_train)
[2 2 2 2 0 1 1 0 1 2 0 0 0 2 1 2 2 2 1 0 0 1 1 0 0 0 1 2 0 0 1 0 2 2 2 1 0
 0 1 1 0 2 1 2 2 1 2 0 2 1 0 2 0 0 0 1 2 0 0 2 1 2 1 1 2 0 1 0 0 1 1 0 2 1
 1 2 1 1 2 0 1 1 0 1 1 1 1 0 2 1 1 2 2 1 1 0 2 0 2 0 1 1 1 0 2]

然后就开始K邻近学习了

knn=KNeighborsClassifier()
knn.fit(X_train,y_train)
print(knn.predict(X_test))
print(y_test)
[1 1 2 0 0 0 2 2 2 1 2 0 2 0 2 0 0 2 2 1 1 2 2 2 1 0 2 1 1 0 2 2 1 0 2 1 0
 2 2 1 1 0 2 1 1]
[1 1 2 0 0 0 2 2 2 1 2 0 1 0 2 0 0 2 2 1 1 1 1 2 1 0 2 1 1 0 2 2 1 0 2 1 0
 2 2 1 1 0 2 1 1]

标签：iris,scikit,print,train,learn,test,import,sklearn
来源： https://blog.csdn.net/weixin_52703681/article/details/123585522