Yiru@Studio

參考答案:

import pandas as pd
from sklearn.datasets import load_iris
iris_dataset = load_iris()
X = pd.DataFrame(iris_dataset.data, columns=iris_dataset.feature_names)
y = pd.Series(iris_dataset.target)
# create dataframe from data in X_train 根據X_train中的資料創建dataframe
# label the columns using the strings in iris_dataset.feature_names 使用iris_dataset.feature_names中的字串標記列
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=1)

from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier()
model.fit(X_train, y_train)
print(f"Test set score: {model.score(X_test, y_test):.4f}")

inp = [[5, 2.9, 1, 0.2], [5.7, 2.8, 4.5, 1.2], [7.7, 3.8, 6.7, 2.1]]
inp_pred = model.predict(inp)
print(f"Predicted target name: {iris_dataset.target_names[inp_pred]}")

程式解析:

# 匯入 pandas 套件，用於資料處理
import pandas as pd

# 從 sklearn 套件中匯入內建的 iris 鳶尾花資料集
from sklearn.datasets import load_iris

# 載入 iris 資料集
iris_dataset = load_iris()

# 將 iris 的特徵資料（X）轉成 pandas 的 DataFrame，並加上欄位名稱
X = pd.DataFrame(iris_dataset.data, columns=iris_dataset.feature_names)

# 將 iris 的標籤資料（y）轉成 pandas 的 Series（目標分類）
y = pd.Series(iris_dataset.target)

# 匯入 train_test_split 用來分割資料集
from sklearn.model_selection import train_test_split

# 將資料集分成訓練組與測試組，測試組占 40%，設定亂數種子為 1（方便重現）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=1)

# 匯入 K 最近鄰分類器
from sklearn.neighbors import KNeighborsClassifier

# 建立一個 KNN 模型（預設為 k=5）
model = KNeighborsClassifier()

# 用訓練資料訓練模型
model.fit(X_train, y_train)

# 輸出模型在測試資料上的正確率（準確率），保留 4 位小數
print(f"Test set score: {model.score(X_test, y_test):.4f}")

# 建立三筆測試資料，每筆包含四個特徵：花萼長度、花萼寬度、花瓣長度、花瓣寬度
inp = [[5, 2.9, 1, 0.2], [5.7, 2.8, 4.5, 1.2], [7.7, 3.8, 6.7, 2.1]]

# 使用模型對這三筆資料進行分類預測，結果會是數字類別（0, 1, 2）
inp_pred = model.predict(inp)

# 根據預測結果，印出對應的花名（例如 setosa、versicolor、virginica）
print(f"Predicted target name: {iris_dataset.target_names[inp_pred]}")

Yiru@Studio - 關於我 - 意如