XGBoost實現對鳶尾花資料集分類預測
code:
import xgboost as xgb import numpy as np import pandas as pd from sklearn.model_selection import train_test_split if __name__ == '__main__': iris_feature_E = "sepal lenght", "sepal width", "petal length", "petal width" iris_feature = "the length of sepal", "the width of sepal", "the length of petal", "the width of petal" iris_class = "Iris-setosa", "Iris-versicolor", "Iris-virginica" data = pd.read_csv("iris.data", header=None) iris_types = data[4].unique() for i, type in enumerate(iris_types): data.set_value(data[4] == type, 4, i) x, y = np.split(data.values, (4,), axis=1) x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.7, random_state=1) data_train = xgb.DMatrix(x_train, label=y_train) data_test = xgb.DMatrix(x_test, label=y_test) watchlist = [(data_test, 'eval'), (data_train, 'train')] param = {'max_depth':3, 'eta':1, 'silent':1, 'objective':'multi:softmax', 'num_class':3} bst = xgb.train(param, data_train, num_boost_round=10, evals=watchlist) y_hat = bst.predict(data_test) result = y_test.reshape(1, -1) == y_hat print('the accuracy:\t', float(np.sum(result)) / len(y_hat))
相關推薦
XGBoost實現對鳶尾花資料集分類預測
code:import xgboost as xgb import numpy as np import pandas as pd from sklearn.model_selection import
分類問題(一):SVM(Python——基於skearn實現鳶尾花資料集分類)
第一步: # -*- coding: utf-8 -*- """ Created on Fri Sep 21 14:26:25 2018 @author: bd04 """ # !/usr/bin/env python # encoding: utf-8 __auth
樸素貝葉斯對鳶尾花資料集進行分類
注:本人純粹為了練手熟悉各個方法的用法 使用高斯樸素貝葉斯對鳶尾花資料進行分類 程式碼: 1 # 通過樸素貝葉斯對鳶尾花資料進行分類 2 3 from sklearn import datasets 4 from sklearn.model_selection import train_
實現鳶尾花資料集分類
轉自:http://blog.csdn.net/jasonding1354/article/details/42143659 引入 一個機器可以根據照片來辨別鮮花的品種嗎?在機器學習角度,這其實是一個分類問題,即機器根據不同品種鮮花的資料進行學習,使其可以對未標記的測
人工智慧深度學習TensorFlow通過感知器實現鳶尾花資料集分類
一.iris資料集簡介 iris資料集的中文名是安德森鳶尾花卉資料集,英文全稱是Anderson’s Iris data set。iris包含150個樣本,對應資料集的每行資料。每行資料包含每個樣本的四個特徵和樣本的類別資訊,所以iris資料集是一個150行5列的二維表。 通俗地說,iris
利用線性函式實現鳶尾花資料集分類
在空間中,我們定義分類的線性函式為:g(x)=wTx+bg(x)=w^{T}x+bg(x)=wTx+b 其中樣本x=(x1,x2,...,xl)Tx=(x_{1},x_{2},...,x_{l})^{T}x=(x1,x2,...,xl)T,權向量w=(w1
利用 sklearn SVM 分類器對 IRIS 資料集分類
利用 sklearn SVM 分類器對 IRIS 資料集分類 支援向量機(SVM)是一種最大化分類間隔的線性分類器(如果不考慮核函式)。通過使用核函式可以用於非線性分類。SVM 是一種判別模型,既適用於分類也適用於迴歸問題,標準的 SVM 是二分類器,可以採用 “one vs one”
基於決策樹模型對 IRIS 資料集分類
基於決策樹模型對 IRIS 資料集分類 文章目錄 基於決策樹模型對 IRIS 資料集分類 1 python 實現 載入資料集 視覺化資料集 分類和預測 計算準確率 2 基於MATLA
[Keras深度學習淺嘗]實戰三·CNN實現Fashion MNIST 資料集分類
[Keras深度學習淺嘗]實戰三·RNN實現Fashion MNIST 資料集分類 與我們上篇博文[Keras深度學習淺嘗]實戰一結構相同,修改的地方有,定義網路與模型訓練兩部分,可以對比著來看。通過使用RNN結構,預測準確率略有提升,可以通過修改超引數以獲得更優結果。 程式碼部分
卷積神經網路對CIFAR資料集分類
本例通過一個具有全域性平局池化層的神經網路對CIFAR資料集分類 1.匯入標頭檔案引入資料集 這部分使用cifar10_input裡面的程式碼,在cifar10資料夾下建立卷積檔案,部分程式碼如下: import cifar10_input import tensorf
[Keras深度學習淺嘗]實戰二·CNN實現Fashion MNIST 資料集分類
[Keras深度學習淺嘗]實戰二·CNN實現Fashion MNIST 資料集分類 與我們上篇博文[Keras深度學習淺嘗]實戰一結構相同,修改的地方有,定義網路與模型訓練兩部分,可以對比著來看。通過使用CNN結構,預測準確率略有提升,可以通過修改超引數以獲得更優結果。 程式碼部分
[Keras深度學習淺嘗]實戰一·DNN實現Fashion MNIST 資料集分類
[Keras深度學習淺嘗]實戰一·DNN實現Fashion MNIST 資料集分類 此實戰來源於TensorFlow Keras官方教程 Fashion-MNIST是一個替代MNIST手寫數字集的影象資料集。 它是由Zalando(一家德國的時尚科技公司)旗下的研究部門提供。其涵蓋了
基於 K-Means 對 IRIS 資料集分類
基於sklearn 對 IRIS 資料集分類 關於聚類 聚類(Clustering)是一種無監督學習(unsupervised learning),簡單地說就是把相似的物件歸到同一簇中。簇內的物件越相似,聚類的效果越好。 關於 K-Means K-Means演算法是最為經典的
用樸素貝葉斯對wine資料集分類
該實驗的資料集是MostPopular Data Sets(hits since 2007)中的wine資料集,這是是對在義大利同一地區生產的三種不同品種的酒,做大量分析所得出的資料。這些資料包括了三種酒中13種不同成分的數量。 經過幾天對資料集以及分類演算法的研究,詳細研
Keras之DNN:基於Keras(sigmoid+binary_crossentropy+predict_proba)利用DNN實現分類預測概率——DIY二分類資料集&預測新資料點
#Keras之DNN:基於Keras(sigmoid+binary_crossentropy+predict_proba)利用DNN實現分類預測概率——DIY二分類資料集&預測新資料點 輸出結果 實現程式碼 # coding:utf-8 #Ke
Keras之DNN:基於Keras(sigmoid+linear+mse+predict)利用DNN實現迴歸預測——DIY多分類資料集&預測新資料點
Keras之DNN:基於Keras(sigmoid+linear+mse+predict)利用DNN實現迴歸預測——DIY多分類資料集&預測新資料點 輸出結果 實現程式碼 # coding:utf-8 Xa=[] Xb=[] for i in ra
[PyTorch小試牛刀]實戰三·DNN實現邏輯迴歸對FashionMNIST資料集進行分類
[PyTorch小試牛刀]實戰三·DNN實現邏輯迴歸對FashionMNIST資料集進行分類 內容還包括了網路模型引數的保存於載入。 資料集 下載地址 程式碼部分 import torch as t import torchvision as tv import numpy as n
用tensorflow實現svm對鳶尾花資料分類
from sklearn import datasets import matplotlib.pyplot as plt import numpy as np import tensorflow as tf sess=tf.Session() iris=datasets.l
ML之SVM:基於Js程式碼利用SVM演算法的實現根據Kaggle資料集預測泰坦尼克號生存人員
ML之SVM:基於Js程式碼利用SVM演算法的實現根據Kaggle資料集預測泰坦尼克號生存人員 實驗資料 設計思路 實現程式碼(部分程式碼) /** js程式碼實現SVM演算法 */ //ML之SVM:基於Js程式碼利用SVM演算法的實現根據Kagg
Tensorflow學習教程------利用卷積神經網路對mnist資料集進行分類_利用訓練好的模型進行分類
#coding:utf-8 import tensorflow as tf from PIL import Image,ImageFilter from tensorflow.examples.tutorials.mnist import input_data def imageprepare(ar