iris是乙個經典的機器學習入門資料集，本片部落格將講述如何使用該資料集，用極其簡單的**來實現乙個簡單的機器學習的例子。
本文適合有一丟丟python基礎的同學學習
實驗需求：安裝好anaconda（這傢伙自帶了很多科學計算的module，是機器學習必備神器）
本資料集可在**： 檢視，當然匯入資料集並不需要這麼麻煩，稍後會講解。
預備知識
機器學習的步驟大致分為3步：
1、匯入資料集
2、通過資料集建立決策樹
3、使用資料進行**
準備工作：
首先開啟anaconda的spyder，並新建python檔案準備寫**。
正式開始：
from sklearn.datasets import load_iris
iris = load_iris()
iris中了，iris是什麼型別呢？
type(iris)輸出為sklearn.utils.bunch
資料集中共有資料150組，花的品種共有三種，每一朵花的特徵有四個，每乙個品種的資料分別都是50組。
這時我們需要從資料集中選出3組資料，用來最後的測試，且這3組資料不用來作為決策樹的訓練資料，僅用於最後的測試。
**如下：
import numpy as np
from sklearn.datasets import load_iris
iris = load_iris()
#test_idx是測試資料的下標
test_idx = [0,50,100]
#訓練資料，train_target是結果，train_data是特徵
train_target = np.delete(iris.target, test_idx)
train_data = np.delete(iris.data, test_idx, axis=0)
#測試資料
test_target = iris.target[test_idx]
test_data = iris.data[test_idx]
import numpy as np
from sklearn.datasets import load_iris
from sklearn import tree
iris = load_iris()
test_idx = [0,50,100]
#training data
train_target = np.delete(iris.target, test_idx)
train_data = np.delete(iris.data, test_idx, axis=0)
#testing data
test_target = iris.target[test_idx]
test_data = iris.data[test_idx]
#建立決策樹
clf = tree.decisiontreeclassifier()
clf.fit(train_data,train_target)
print(test_target)
print(clf.predict(test_data))
最後的輸出是：
[012]
[012]
源**檢視：
機器學習iris資料集匯入
iris資料集在模式識別研究領域應該是最知名的資料集了，有很多文章都用到這個資料集。這個資料集裡一共包括150行記錄，其中前四列為花萼長度，花萼寬度，花瓣長度，花瓣寬度等4個用於識別鳶尾花的屬性，第5列為鳶尾花的類別 包括setosa，versicolour，virginica三類 也即通過判定花萼...
機器學習入門
研究生考試結束了，考研通知書也在幾天前到手了，是時候安心下來考慮一下未來研究生的生活和學習了，看現在機器學習特別的火，所以我就先跟風學習一下機器學習吧。由於剛開始學習，所以對一些專有名詞不是很熟悉，所以特別做了一下總結，因為剛剛入門，所以就先整理了這些。人工智慧 一 認知和感知 區別看待 目前是在感...
機器學習入門
1.常用演算法 決策樹 隨機森林演算法 邏輯回歸 svm 樸素貝葉斯 knn演算法 k means演算法 adaboost 演算法 神經網路 馬爾可夫 2.聚類和分類的區別 分類 比如有一堆資料，你已經事先對他們做好了分類。你想要的功能就是，假如來了一條測試資料，我想知道他是哪一類，這就是分類。聚類...