python机器学习入门-用鸢尾花data建立python机器学习，本次运行Python版本为3.6.2，且已安装相关python库

SVM支持向量机分类鸢尾花数据集iris及代码，数据集有Excel、data、txt文件格式，代码有data、txt格式演示

本博客运行环境为Jupyter Notebook、Python3。使用的数据集是鸢尾花数据集。 目录线性判别分析代码实现缺少一组数据的问题已解决！代码已更新！ 线性判别分析 线性判别分析(Linear Discriminant Analysis,简称LDA)是一种经典的线性学习方法，在二分类问题.上因为最早由[Fisher, 1936]提出,亦称“Fisher判别分析”。 LDA的基本思想:给定训练样例集,设法将样例投影到一条直线上,使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离;在对新样本进行分类时,将其投影到同样的这条直线上，再根据投影点的位置来确定新样本的类别。 下图是LD

经典的鸢尾花（Iris）数据集 数据集内共包含3类鸢尾花的150条记录，每类花有 50 条数据；每条记录都有 4 个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度

利用BP算法实现对鸢尾花的分类，C++实现，包含text格式数据集

这是博客《机器学习（KNN一）——原理概述》代码中用到的数据，即比较经典的鸢尾花数据。这是一个压缩包，解压出来是.data文件，就是代码中引用的数据。

svdd算法单类检测器（以鸢尾花为例）。svdd算法作为单类别分类算法，在多个领域中发挥重要作用，该源码包含一个ipynb文件和一个鸢尾花数据集，ipynb文件里面包含了每一步操作的流程和一个简单的解释和结果展示，该实例较为简单，可供初步学习和使用，可替换自己的数据集进行测试。

主要介绍了python实现鸢尾花三种聚类算法（K-means,AGNES,DBScan），文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

PCA简介 主成分分析（Principal Component Analysis，PCA）是最常用的一种降维方法，通常用于高维数据集的探索与可视化，还可以用作数据压缩和预处理等。矩阵的主成分就是其协方差矩阵对应的特征向量，按照对应的特征值大小进行排序，最大的特征值就是第一主成分，其次是第二主成分，以此类推。 基本步骤： 具体实现 我们通过Python的sklearn库来实现鸢尾花数据进行降维，数据本身是4维的降维后变成2维，可以在平面中画出样本点的分布。样本数据结构如下图： 其中样本总数为150，鸢尾花的类别有三种，分别标记为0，1，2 代码 import matplotlib.py

基于SVM对鸢尾花数据集进行分类，并做了超平面以及支持向量的可视化