简单的Scikit-Learn入门示例

以下是一个简单的Scikit-Learn入门示例，该示例使用鸢尾花（Iris）数据集来演示分类问题的基本步骤。这个数据集包含了150个样本，每个样本有四个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度），以及一个目标变量（花的种类，分为山鸢尾、杂色鸢尾和维吉尼亚鸢尾）。

# 导入必要的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征数据
y = iris.target  # 目标变量（花的种类）

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 数据预处理（可选步骤，这里使用特征缩放）
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 选择并训练模型（这里使用支持向量机SVM）
model = SVC(kernel='linear', C=1, random_state=42)
model.fit(X_train_scaled, y_train)

# 预测测试集结果
y_pred = model.predict(X_test_scaled)

# 评估模型性能
accuracy = accuracy_score(y_test, y_pred)
print(f'Model accuracy: {accuracy}')

在这个示例中，我们首先导入了必要的库，然后加载了鸢尾花数据集。接着，我们使用train_test_split函数将数据集划分为训练集和测试集。然后，我们选择了一个数据预处理方法（特征缩放），并用它处理了训练集和测试集的特征。之后，我们选择了支持向量机（SVM）作为分类器，并使用训练集数据训练了模型。最后，我们用模型对测试集进行了预测，并计算了模型的准确率。