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

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

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。

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

决策树莺尾花 python iris 分类模型 机器学习入门项目 实验 sklearn自带的鸢尾花数据集

使用三种具有代表性的聚类分析算法对鸢尾花数据集进行聚类分析，分别为层次方法、DBSCAN 方法与K-means 方法。接着使用三个评价指标对聚类的结果进行评价，分别为准确度、运行时间、轮廓系数。本程序包含python程序、实验报告与鸢尾花数据集文件。是本人亲手写的作业且获得高分。层次方法在此数据集上准确度最佳，DBSCAN 方法运行时间最短，层次与 K-means 方法都取得了较高的轮廓系数值。亲手资源，保证一手！

iris鸢尾花数据集，提供机器学习分类模型原始数据集

机器学习的常用数据集，共有 150 条数据，每条数据对应 4 个特征（sepal length、sepal width、pedal length、pedal width），且对应着 3 个不同的种类。

机器学习的经典案例就是鸢尾花进行分类，本资源包括了鸢尾花的四种数据和四类数据下所对应的鸢尾种类，数据分成训练学习模型所需要的数据和对训练模型评估所需要的数据，为方便对数据进行导入，表头也已经填好，导入软件不用更改表头。

鸢尾花数据集可能是模式识别、机器学习等领域里被使用最多的一个数据集了，很多教材用这份数据来做案例 鸢尾花数据集共收集了三类鸢尾花，即Setosa鸢尾花、Versicolour鸢尾花和Virginica鸢尾花，每一类鸢尾花收集了50条样本记录，共计150条。 数据集包括4个属性，分别为花萼的长、花萼的宽、花瓣的长和花瓣的宽