KNN实现鸢尾花分类--数据可视化--根据花萼及花瓣分类--sklearn
2024-06-17 03:35:16
KNN实现鸢尾花分类
- 一、导入相关库
- 二、导入数据
- 1.关于鸢尾花的数据
- 2.删除Id（不需要的）数据
- 3.分别利用花萼和花瓣的特征
- 三、训练集及测试集
- 1.花瓣
- 2.花萼
- 四、KNN算法
- 1.花瓣
- 2.花萼
- 3.准确度结果
- 五、数据可视化
- 1.散点图
- (1) 花萼
- (2) 花瓣
- 2.直方图
- 3.小提琴图
- 4.相关热力图
一、导入相关库
import numpy as np
import pandas as pd
import seaborn as sns
from matplotlib import pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn import svm
from sklearn import metrics
from sklearn.tree import DecisionTreeClassifier
二、导入数据
1.关于鸢尾花的数据
一共有150个数据
2.删除Id（不需要的）数据
iris.drop('Id',axis=1,inplace=True)
3.分别利用花萼和花瓣的特征
petal=iris[['PetalLengthCm','PetalWidthCm','Species']]
sepal=iris[['SepalLengthCm','SepalWidthCm','Species']]
三、训练集及测试集
1.花瓣
#花萼
train_p,test_p=train_test_split(petal,test_size=0.3,random_state=0)
train_x_p=train_p[['PetalWidthCm','PetalLengthCm']]
train_y_p=train_p.Species
test_x_p=test_p[['PetalWidthCm','PetalLengthCm']]
test_y_p=test_p.Species
2.花萼
train_s,test_s=train_test_split(sepal,test_size=0.3,random_state=0)
train_x_s=train_s[['SepalWidthCm','SepalLengthCm']]
train_y_s=train_s.Species
test_x_s=test_s[['SepalWidthCm','SepalLengthCm']]
test_y_s=test_s.Species
四、KNN算法
1.花瓣
model=KNeighborsClassifier()
model.fit(train_x_p,train_y_p)
prediction=model.predict(test_x_p)
print('The accuracy of the Petal is:',metrics.accuracy_score(prediction,test_y_p))
2.花萼
model=KNeighborsClassifier()
model.fit(train_x_s,train_y_s)
prediction=model.predict(test_x_s)
print('The accuracy of the Sepal is:',metrics.accuracy_score(prediction,test_y_s))
3.准确度结果
五、数据可视化
1.散点图
(1) 花萼
#花萼长度和宽度的关系，散点图
fig=iris[iris.Species=='Iris-setosa'].plot(kind='scatter',x='SepalLengthCm',y='SepalWidthCm',color='orange',label='Setosa')
iris[iris.Species=='Iris-versicolor'].plot(kind='scatter',x='SepalLengthCm',y='SepalWidthCm',color='blue',label='versicolor',ax=fig)
iris[iris.Species=='Iris-virginica'].plot(kind='scatter',x='SepalLengthCm',y='SepalWidthCm',color='green',label='virginica',ax=fig)
fig.set_xlabel("Sepal Length")
fig.set_ylabel("Sepal Width")
fig.set_title("Sepal Length VS Width")
fig=plt.gcf()
fig.set_size_inches(10,6)
plt.show()
(2) 花瓣
#花瓣的长度和宽度的关系，散点图
fig=iris[iris.Species=='Iris-setosa'].plot.scatter(x='PetalLengthCm',y='PetalWidthCm',color='orange',label='Setosa')
fig=iris[iris.Species=='Iris-versicolor'].plot.scatter(x='PetalLengthCm',y='PetalWidthCm',color='blue',label='versicolor',ax=fig)
fig=iris[iris.Species=='Iris-virginica'].plot.scatter(x='PetalLengthCm',y='PetalWidthCm',color='green',label='virginica',ax=fig)
fig.set_xlabel("Petal Length")
fig.set_ylabel("Petal Width")
fig.set_title("Petal Length VS Width")
fig=plt.gcf()
fig.set_size_inches(10,6)
plt.show()
2.直方图
#iris长度和宽度的分布，绘制直方图
iris.hist(edgecolor='black',linewidth=1.2)
fig=plt.gcf()
fig.set_size_inches(12,6)
plt.show()
3.小提琴图
#iris长度与宽度跟种类的关系，小提琴图
#小提琴图展示了数据随种类的长度跟密度。越窄的部分说明密度较低，越宽的部分说明数据密度高
plt.figure(figsize=(12,6))
plt.subplot(2,2,1)
sns.violinplot(x='Species',y='PetalLengthCm',data=iris)
plt.subplot(2,2,2)
sns.violinplot(x='Species',y='PetalWidthCm',data=iris)
plt.subplot(2,2,3)
sns.violinplot(x='Species',y='SepalLengthCm',data=iris)
plt.subplot(2,2,4)
sns.violinplot(x='Species',y='SepalWidthCm',data=iris)
plt.show()
4.相关热力图
#相关性热力图
plt.figure(figsize=(12,6))
sns.heatmap(iris.corr(),annot=True,cmap='cubehelix_r')
plt.show()
KNN算法原理总结：K近邻算法,给定一个训练数据集,对新的输入实例,在训练数据集中找到与该实例最近邻的K（自己确定）个实例,这K个实例的多数属于某类,就把该输入实例分类到这个类(label)下
KNN实现鸢尾花分类--数据可视化--根据花萼及花瓣分类--sklearn相关推荐
- 数据可视化笔记1 数据可视化简介（简史、分类、功能、目标）
文章目录 1.什么是数据可视化 2.为什么要数据可视化 3.数据可视化简史 4.数据可视化的分类 5.数据可视化的功能 6.数据可视化的目标 7.数据可视化工具 1.什么是数据可视化 数据可视化: 创 ...
- 数据可视化实战——1.展示多级分类数据
文章目录 前言 一.数据筛选 二.数据处理 2.1 数据来源统计 2.2 分级数据可视化 前言 大家好✨,这里是bio
- matlab鸢尾花的数据可视化,matplotlib可视化练习 -- 鸢尾花数据集
matplotlib可视化练习 %matplotlib inline import matplotlib as mpl from matplotlib import pyplot as plt imp ...
- Python数据可视化seaborn(五) -- 分类统计图
分类数据可视化 - 统计图 barplot() / countplot() / pointplot() import numpy as np import pandas as pd import ma ...
- 数据可视化（全彩）（大数据丛书，首次全面细致地梳理了可视化理论，方法、工具与应用案例。马匡六教授、石教英教授鼎力推荐，十二五国家重点图书出版规划项目）...
大数据丛书 数据可视化(全彩)(大数据丛书,首次全面细致地梳理了可视化理论,方法.工具与应用案例.马匡六教授.石教英教授鼎力推荐,十二五国家重点图书出版规划项目) 陈为 沈则潜等编著 ISBN 97 ...
- python数据可视化实现步骤,Python 代码轻松实现数据可视化的5 种使用方法
散点图 散点图非常适合展示两个变量之间的关系,因为你可以直接看到数据的原始分布. 如下面第一张图所示的,你还可以通过对组进行简单地颜色编码来查看不同组数据的关系.想要可视化三个变量之间的关系? 没问题 ...
- 数据可视化设计师必备的图表规范指南
一.你在工作中是否会为了如何选用可视化图表而苦恼? 在企业大数据.后台管理面板.金融行业等与数据有关的UI设计中,数据可视化设计是必不可少而且非常重要. 但是很多设计师不懂可视化当中不同用途的图表规范 ...
- 基于html5的数据可视化实现方法研究,基于HTML5的数据可视化实现方法研究
信息科技 Information Technology 基于HTML5的数据可视化实现方法研究 高科同济大学电子与信息学院,上海 201804摘要 HTML5的出现,为数据可视化提供了新的实现方法.本 ...
- 分形、大自然的分形几何、数据可视化、Python绘图
分形.大自然的分形几何.数据可视化.Python绘图 中国传统中的『分形』 大自然的分形几何 数据可视化 本系列采用turtle.matplotlib.numpy这三个Python工具,以分形与计算机 ...
最新文章
- Windows 7运行命令大全
- Sprint(第十天11.23)
- swoole 简单的聊天室
- 查看网口命令_20个常用Linux命令
- 网易云信携手小天才电话手表 打造视频通话体验的行业标杆
- 如何使用PHP编写daemon process
- 三、项目经理的角色【PMP 】
- HDU 5763 Another Meaning KMP+DP
- c程序100例第3题
- FullScreen
- C# 真正完美的 汉字转拼音
- 用 VeraCrypt 加密闪存盘
- 用Python搓一个太阳系
- result returns more than one elements 解决办法
- Nanopore牛津纳米孔测16S学习笔记
- 魂武者服务器维护,《魂武者》8月16日停机更新公告
- 九度1001 A+B for Matrices
- Stack Overflow 上 250W 浏览量的一个问题：你对象丢了
- WPF三个必备框架的安装
- AIoT方案｜机智云NFC “碰一碰”智慧家庭一碰配网解决方案