### 机器学习分类实验介绍 #### 实验目标 通过加载 `sklearn` 库中的鸢尾花数据集，并选择合适的机器学习算法对数据进行训练和预测，完成分类任务。 --- #### 解决方案步骤说明： 1. **导入必要的库** 导入所需的数据处理、模型构建等基础工具包。 2. **加载并预览数据** 使用 `sklearn.datasets.load_iris()` 加载鸢尾花数据集，并查看其基本信息。 3. **划分训练集与测试集** 将数据划分为训练集和测试集，通常按照一定比例（如80%训练，20%测试）分配。 4. **选择机器学习算法** 可以选用简单易用的模型，例如 KNN 算法或决策树。这里我们采用 K 近邻 (KNeighborsClassifier) 模型作为示例。 5. **训练模型并评估性能** 利用训练集拟合模型，并在测试集中验证模型效果。 6. **展示结果** 输出准确率和其他相关信息。 --- #### Python代码实现及注释： ```python # Step 1: 引入必要库 from sklearn.datasets import load_iris # 鸢尾花数据集模块 from sklearn.model_selection import train_test_split # 数据分割模块 from sklearn.neighbors import KNeighborsClassifier # K近邻分类器 from sklearn.metrics import accuracy_score # 准确率计算函数 # Step 2: 加载鸢尾花数据集 data = load_iris() # 载入鸢尾花数据 X, y = data.data, data.target # X表示特征矩阵；y表示标签向量 # 打印部分信息供检查 print("前五行样本特征值:\n", X[:5]) print("\n对应类别标签:", y[:5]) # Step 3: 分割数据为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 参数解释：test_size 表示将20%的数据用于测试集；random_state 固定随机种子保证每次运行一致。 # Step 4: 初始化模型 & 训练 knn_model = KNeighborsClassifier(n_neighbors=3) # 定义KNN模型，邻居数设置为3 knn_model.fit(X_train, y_train) # 根据训练数据调整模型参数 # Step 5: 测试模型 & 结果分析 predictions = knn_model.predict(X_test) # 对测试集做预测 accuracy = accuracy_score(y_test, predictions) # 计算预测准确度 print(f"\n测试集上的分类准确率为 {accuracy * 100:.2f}%") ``` --- #### 示例输出结果： 假设某次运行得到以下结果： ``` 前五行样本特征值: [[5.1 3.5 1.4 0.2] [4.9 3. 1.4 0.2] [4.7 3.2 1.3 0.2] [4.6 3.1 1.5 0.2] [5. 3.6 1.4 0.2]] 对应类别标签: [0 0 0 0 0] 测试集上的分类准确率为 100.00% ``` --- #### 总结： 本案例展示了如何从零开始建立一个完整的机器学习工作流，包括数据准备、建模以及评价环节。此外，还可以尝试更换其他算法（比如支持向量机 SVM 或者逻辑回归），进一步比较它们的表现差异！ ---