sklearn学习_01

 # -*- coding: utf-8 -*-

 """

 Created on Fri Sep 29 11:05:52 2017

 机器学习之sklearn

 @author: den

 """

 # 导入数据集

 from sklearn import datasets

 # 进行交叉验证

 from sklearn.cross_validation import train_test_split

 # 导入标准化尺度

 from sklearn.preprocessing import StandardScaler

 # 导入感知机算法

 from sklearn.linear_model import Perceptron

 # 计算分类的准确率

 from sklearn.metrics import accuracy_score

 # 加载数据

 iris = datasets.load_iris()

 # 样本的后两位特征

 X = iris.data[:,[2,3]]

 # 目标类别

 y = iris.target

 # 获取30%的测试集，70%的训练集

 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

 # 标准化操作，训练集和测试集使用相同的标准化

 sc = StandardScaler()

 # 估算每个特征的平均值和标准差

 sc.fit(X_train)

 # 使用同样的均值和标准差归一化训练集和测试集

 sc.transform(X_train)

 sc.transform(X_test)

 # 获得ppn对象

 ppn = Perceptron(n_iter=40, eta0=0.5)

 # 拟合

 ppn.fit(X_train, y_train)

 # 预测

 y_pred = ppn.predict(X_test)

 # 打印错分率

 print ('错分样本的个数为：%d' % (y_test != y_pred).sum())

 # 计算准确率

 print ('模型的准确率为:%.2f' % accuracy_score(y_test, y_pred))