Iris數(shù)據(jù)集是常用的分類實(shí)驗(yàn)數(shù)據(jù)集，由Fisher, 1936收集整理。Iris也稱鳶尾花卉數(shù)據(jù)集，是一類多重變量分析的數(shù)據(jù)集。數(shù)據(jù)集包含150個(gè)數(shù)據(jù)樣本，分為3類，每類50個(gè)數(shù)據(jù)，每個(gè)數(shù)據(jù)包含4個(gè)屬性?？赏ㄟ^(guò)花萼長(zhǎng)度，花萼寬度，花瓣長(zhǎng)度，花瓣寬度4個(gè)屬性預(yù)測(cè)鳶尾花卉屬于（Setosa，Versicolour，Virginica）三個(gè)種類中的哪一類。

iris以鳶尾花的特征作為數(shù)據(jù)來(lái)源，常用在分類操作中。該數(shù)據(jù)集由3種不同類型的鳶尾花的各50個(gè)樣本數(shù)據(jù)構(gòu)成。其中的一個(gè)種類與另外兩個(gè)種類是線性可分離的，后兩個(gè)種類是非線性可分離的。

該數(shù)據(jù)集包含了4個(gè)屬性：

& Sepal.Length（花萼長(zhǎng)度），單位是cm;

& Sepal.Width（花萼寬度），單位是cm;

& Petal.Length（花瓣長(zhǎng)度），單位是cm;

& Petal.Width（花瓣寬度），單位是cm;

1.導(dǎo)包

import numpy as np

from sklearn import datasets

from sklearn.neighbors import KNeighborsClassifier

from sklearn.model_selection import train_test_split

2.數(shù)據(jù)集導(dǎo)入

①from sklearn import datasets

iris = datasets.load_iris()

②提前下載好數(shù)據(jù)集,用pandas包導(dǎo)入

例:iris=pd.read_csv('文件名',columns=['列名'])

3.查看數(shù)據(jù)特征

iris.data.shape

4. 拆分屬性數(shù)據(jù)

iris_X = iris.data

5.# 拆分類別數(shù)據(jù)

iris_y = iris.target

6.預(yù)測(cè)數(shù)據(jù)

#準(zhǔn)備訓(xùn)練集和測(cè)試集

iris_train_X , iris_test_X, iris_train_y ,iris_test_y = train_test_split(iris_X, iris_y, test_size=0.2,random_state=0)

#創(chuàng)建模型

knn = KNeighborsClassifier(n_neighbors=6)

#訓(xùn)練模型

knn.fit(iris_train_X, iris_train_y)

#預(yù)測(cè)

predict_result=knn.predict(iris_test_X)

print('預(yù)測(cè)結(jié)果',predict_result)

# 計(jì)算預(yù)測(cè)的準(zhǔn)確率

print('預(yù)測(cè)準(zhǔn)確率',knn.score(iris_test_X, iris_test_y))