### 1. 鸢尾花数据集上的聚类算法实现 在鸢尾花数据集上，可以使用K-Means算法进行聚类。以下是实现代码： ```python import matplotlib.pyplot as plt import numpy as np from sklearn.cluster import KMeans from sklearn import datasets # 加载数据集 iris = datasets.load_iris() X = iris.data[:, :4] # 使用特征空间中的4个维度 # 初始化KMeans模型并拟合数据 kmeans = KMeans(n_clusters=3, random_state=42) kmeans.fit(X) # 输出聚类结果 labels = kmeans.labels_ print("聚类标签:", labels) # 可视化二维数据分布图 plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis') plt.title('K-Means Clustering on Iris Dataset') plt.xlabel('Sepal Length') plt.ylabel('Sepal Width') plt.show() ``` 上述代码实现了基于K-Means的聚类操作，并对鸢尾花数据集进行了可视化[^2]。 --- ### 2. 鸢尾花数据集上的分类算法实现 对于分类任务，可以选择支持向量机（SVM）作为典型算法。以下是实现代码： ```python from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.metrics import classification_report # 加载数据集 iris = datasets.load_iris() X = iris.data y = iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 初始化SVM模型并拟合数据 svm = SVC(kernel='linear', random_state=42) svm.fit(X_train, y_train) # 预测并输出分类报告 y_pred = svm.predict(X_test) print("分类报告:\n", classification_report(y_test, y_pred)) ``` 上述代码展示了如何使用SVM算法对鸢尾花数据集进行分类，并生成了详细的分类报告[^1]。 --- ### 3. 鸢尾花数据集上的回归算法实现 需要注意的是，鸢尾花数据集本质上是一个分类问题，其目标变量是离散类别。因此，严格意义上来说，它不适合用于回归任务。但如果用户希望尝试回归模型，可以通过将目标变量转换为连续值来实现。以下是示例代码： ```python from sklearn.linear_model import LinearRegression # 将目标变量视为连续值 iris = datasets.load_iris() X = iris.data y = iris.target.astype(float) # 转换为目标变量的连续值 # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 初始化线性回归模型并拟合数据 regressor = LinearRegression() regressor.fit(X_train, y_train) # 预测并输出结果 y_pred = regressor.predict(X_test) print("回归预测结果（前5个样本）:", y_pred[:5]) ``` 尽管可以运行上述代码，但需要注意，由于鸢尾花数据集的目标变量是离散类别，回归模型的结果可能不具备实际意义[^1]。 --- ### 注意事项 - 对于聚类任务，K-Means是一种常用的无监督学习方法。 - 对于分类任务，SVM是一种经典的监督学习算法。 - 对于回归任务，虽然可以使用线性回归模型，但由于鸢尾花数据集的目标变量是离散类别，因此回归模型的应用场景有限。 ---