一个简单的分类机器学习练习，基于sklearn。sklearn是Python中的一个机器学习模块。它其中有数据。非常方便我们用它来训练机器学习的模型，和验证我们的想法。（官方网站：https://scikit-learn.org/stable/）

使用jupyter notebook呢，能更清晰地帮我们看到每一步都做了什么并且其中功能方便能让我们随时记录下自己的想法。

　　首先第一步就是导入我们所需要的模块。这里有Python基础的同学应该都明白，导入模块以后我们才能继续下面的工作。

　　

#导入所需要的模块import numpy as npfrom sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.neighbors import KNeighborsClassifier #使用分类模块

然后我们把我们的数据定义一下。首先是将花的数据集载入，然后将花的数据定义为flower_x，花的结果，也就是目的，定义为flower_y

flower=datasets.load_iris()flower_X=yuan.dataflower_y=yuan.target

看一下数据的基本信息

print(yuan_X[:4,:])#看一下数据的基本信息[[5.1 3.5 1.4 0.2] [4.9 3.  1.4 0.2] [4.7 3.2 1.3 0.2] [4.6 3.1 1.5 0.2]]

这些信息是描述花的数据信息，我们的分类就是要通过这些信息的输入，让我们的机器学习模型可以自动的把这些不同数据的花分类。

print(yuan_y)[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2]

这里就会看到花是被分成三类的。

下面我们将数据集分为训练集与测试集来使用。一部分用于训练模型，一部分用于测试模型，验证结果。

X_train,X_test,y_train,y_test = train_test_split(yuan_X,yuan_y,test_size=0.3)#把测试集与数据集按照3:7的形式分裂

　knn = KNeighborsClassifier()

　knn.fit(X_train,y_train)#用训练集来训练模型

下面我们来测试一下结果对比

print(knn.predict(X_test))#根据模型输出用测试集的结果[0 0 0 2 1 0 0 0 0 0 0 2 1 0 2 0 2 2 0 2 2 0 0 1 2 1 1 0 1 2 2 1 0 2 1 1 1 2 1 2 2 0 0 2 2]

实际的数据结果

print(y_test)#把真实的测试集拿出来做比较[0 0 0 2 1 0 0 0 0 0 0 2 1 0 2 0 2 2 0 2 2 0 0 1 2 1 1 0 1 2 2 1 0 2 1 1 1 2 1 2 2 0 0 2 2]

由此可以见到，我们的模型预测还是十分准确的，这就是一个简单的花的分类问题，也是一个简单的机器学习应用。