### 鸢尾花数据集的线性分类或回归 鸢尾花数据集是一个经典的机器学习数据集，通常用于分类任务。然而，也可以将其应用于线性回归问题。以下是两种方法的具体实现： #### 方法一：线性分类（逻辑回归） 逻辑回归是一种常用的分类算法，适用于二分类或多分类问题。对于鸢尾花数据集，可以通过逻辑回归实现三类鸢尾花的分类。 ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score # 加载数据集 iris = load_iris() X = iris.data # 特征矩阵 y = iris.target # 标签向量 # 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) # 创建并拟合逻辑回归模型 model = LogisticRegression(max_iter=200) model.fit(X_train, y_train) # 测试模型性能 y_pred = model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print(f"Accuracy: {accuracy:.2f}") # 输出准确率[^2] ``` #### 方法二：线性回归 尽管鸢尾花数据集主要用于分类任务，但也可以尝试将其转化为回归问题。例如，可以将目标变量视为连续值（如花瓣长度），并通过线性回归预测其数值。 ```python import numpy as np from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # 加载数据集 iris = load_iris() X = iris.data[:, :-1] # 使用前三个特征作为输入 y = iris.data[:, -1] # 将第四个特征（花瓣宽度）作为目标变量 # 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) # 创建并拟合线性回归模型 model = LinearRegression() model.fit(X_train, y_train) # 测试模型性能 y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) print(f"MSE: {mse:.2f}") # 输出均方误差[^1] ``` 以上代码分别展示了如何使用逻辑回归进行分类以及如何利用线性回归解决回归问题。需要注意的是，在实际应用中应根据具体需求选择合适的模型。