สำหรับการวิเคราะห์ทำนายคุณต้องโหลดข้อมูลสำหรับอัลกอริทึมของคุณเพื่อใช้ การโหลดชุดข้อมูล Iris ใน scikit ทำได้ง่ายเพียงแค่ออกคู่สายรหัสเนื่องจาก scikit ได้สร้างฟังก์ชันเพื่อโหลดชุดข้อมูลแล้ว
| Sepal ความยาว | Sepal Width | ความยาวของ Petal | ความกว้างของกลีบ | Target Class / Label |
|---|---|---|---|---|
| 5. 1 | 3 5 | 1 4 | 0 2 | Setosa (0) |
| 7 0 | 3 2 | 4 7 | 1 4 | Versicolor (1) |
| 6. 3 | 3 3 | 6 0 | 2 5 | Virginica (2) |
-
เปิดเซสชันใหม่ของ Python interactive shell
ใช้เซสชัน Python ใหม่จึงไม่มีอะไรเหลืออยู่ในหน่วยความจำและคุณมีกระดานชนวนที่สะอาดเพื่อใช้งานได้
-
ใส่รหัสต่อไปนี้ในพรอมต์และสังเกตเอาท์พุท: >>>> จาก sklearn datasets นำเข้า load_iris >>> iris = load_iris ()
หลังจากใช้งานทั้งสองคำแล้วคุณจะไม่เห็นข้อความใด ๆ จากล่าม ม่านตาตัวแปรควรมีข้อมูลทั้งหมดจากม่านตา ไฟล์ csv
ผลลัพธ์จะเป็นเนื้อหาทั้งหมดจากม่านตา csv พร้อมกับข้อมูลอื่น ๆ เกี่ยวกับชุดข้อมูลที่ load_iris โหลดลงในตัวแปร ตัวแปรคือโครงสร้างข้อมูลพจนานุกรมที่มีคุณสมบัติหลัก 4 ประการ คุณสมบัติที่สำคัญของไอริสอยู่ด้านล่าง
ชื่อทรัพย์สิน
คำอธิบาย| ข้อมูล | ประกอบด้วยการวัดทั้งหมดของข้อสังเกต |
|---|---|
| feature_name | ประกอบด้วยชื่อของคุณสมบัติ (ชื่อแอตทริบิวต์) |
| เป้าหมาย | มีเป้าหมายทั้งหมด (ป้ายกำกับ) ของข้อสังเกต |
| target_names | มีชื่อของชั้นเรียน |
| คุณสามารถพิมพ์ค่าในล่ามได้โดยการพิมพ์ชื่อตัวแปรตามด้วยจุดตามด้วยชื่อคุณสมบัติ ตัวอย่างคือการใช้ไอริส ข้อมูลในการเข้าถึงคุณสมบัติของไอริสเช่นนี้: >>>> ไอริส ข้อมูล | นี่เป็นวิธีมาตรฐานในการเข้าถึงคุณสมบัติของวัตถุในภาษาโปรแกรมหลายภาษา |
ในการสร้างอินสแตนซ์ของตัวจำแนกประเภท SVM ให้พิมพ์รหัสต่อไปนี้ในล่าม: >>>> จาก sklearn svm import LinearSVC >>> svmClassifier = LinearSVC (random_state = 111)
บรรทัดแรกของโค้ดนำเข้าไลบรารี Linear SVC ลงในเซสชัน ตัวจำแนกการเคลื่อนที่แบบเวคเตอร์ (SVC) คือการใช้ SVM สำหรับการจำแนกเชิงเส้นและมีการสนับสนุนหลายชั้นชุดข้อมูลมีการแยกแบบเชิงเส้นและมีสามชั้นดังนั้นจึงควรทดลองกับ Linear SVC เพื่อดูว่าระบบทำงานได้ดีเพียงใด
บรรทัดที่สองสร้างอินสแตนซ์โดยใช้ตัวแปร svmClassifier นี่เป็นตัวแปรสำคัญในการจดจำ พารามิเตอร์ random_state ช่วยให้คุณทำซ้ำตัวอย่างเหล่านี้และได้ผลลัพธ์ที่เหมือนกัน หากคุณไม่ได้ใส่พารามิเตอร์ random_state ผลลัพธ์ของคุณอาจแตกต่างจากที่แสดงในที่นี้
