Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据样本，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。

一、实验目的 1、复习主成分分析的原理和算法 2、使用sklearn库函数实现对鸢尾花数据集的主成分分析，观察主成分分析的作用 3、（选做）解读基于主成分分析和支持向量机的人脸识别程序 二、实验步骤 1、导入鸢尾花数据集，查看数据分布情况： 选取三个特征查看数据分布情况 选取两个特征查看数据分布情况 2、使用主成分分析函数对鸢尾花数据集降维 3、对降维后的数据集和原始数据集分别进行线性判别分析，比较分析的准确率 4、（选做）使用数值计算方法实现步骤2，深入了解主成分分析的实现过程 三、实验结果与讨论 1、简单清楚的叙述主成分分析的过程 2、绘制人脸识别程序的流程框图

@参考Python 机器学习基础教程 鸢尾花分类 一个简单的机器学习应用，构建第一个模型。 对鸢尾花的分类，根据测量数据进行，该测量数据则为特征。测量数据：花瓣的长度和宽度、花萼的长度和宽度，所有测量结果的单位为cm 我们的目标是构建一个机器学习模型 因为有已知品种的鸢尾花的测试数据，所以这是一个监督学习问题。我们要在多个选项中预测其中一个（品种）。这是一个分类（classsification）问题。可能的输出（鸢尾花的不同品种）叫做类别（class）。数据集中共有三个类别（setosa、versicolor、virginica）。对于一个数据点来说，它的品种叫做标签（label）。 1、初识

这段时间，自己学习了一些有关机器学习的算法，现在拿鸢尾花分类来对这四种进行巩固与回顾。 这些算法都是直接使用的skearn库的算法，并未自己编写。 鸢尾花的降维 import matplotlib.pyplot as plt from sklearn.decomposition import PCA from sklearn.datasets import load_iris data = load_iris() y = data.target X = data.data pca = PCA(n_components=2) reduced_X = pca.fit_transform(X) re

该数据集为人工智能大数据等常用数据集，也是MATLAB常用的分类实验数据集，由著名的科学家Fisher收集整理，该数据集包含150个数据集，分为3类，每类50个数据，每个数据包含四个属性。 四个属性：         Sepal.Length（花萼长度），单位是cm;         Sepal.Width（花萼宽度），单位是cm;         Petal.Length（花瓣长度），单位是cm;         Petal.Width（花瓣宽度），单位是cm; 三个种类：         Iris Setosa（山鸢尾）；         Iris Versicolour（杂色鸢尾）；         Iris Virginica（维吉尼亚鸢尾）。 ​，适用于大部分场景，也是新手模拟练习的最佳选择之一，数据可自行调整，增删改查等等，MATLAB可用函数load（’iris.txt’）直接调用，其他软件大同小异

iris_classification_BPNeuralNetwork 本文用Python实现了BP神经网络分类算法，根据鸢尾花的4个特征，实现3种鸢尾花的分类。

K-近邻算法 文章目录K-近邻算法学习目标1.10 交叉验证，网格搜索1 什么是交叉验证(cross validation)1.1 分析1.2 为什么需要交叉验证**问题：那么这个只是对于参数得出更好的结果，那么怎么选择或者调优参数呢？**2 什么是网格搜索(Grid Search)3 交叉验证，网格搜索（模型选择与调优）API：4 鸢尾花案例增加K值调优 学习目标 掌握K-近邻算法实现过程 知道K-近邻算法的距离公式 知道K-近邻算法的超参数K值以及取值问题 知道kd树实现搜索的过程 应用KNeighborsClassifier实现分类 知道K-近邻算法的优缺点 知道交叉验证实现过程 知道超

鸢尾花数据，通过该数据可以进行聚类分析： k-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

'萼片长','萼片宽','花瓣长','花瓣宽'

python鸢尾花数据基于sklearn使用不同的机器学习分类器，包括KNN、逻辑回归、决策树、梯度提升、AdaBoost、随机森林、高斯朴素贝叶斯、多项式朴素贝叶斯、线性判别分析、二次判别分析、支持向量机