1 # -*- coding: utf-8 -*- 2 """ 3 Created on Fri Sep 29 11:05:52 2017 4 机器学习之sklearn 5 @author: den 6 """ 7 # 导入数据集 8 from sklearn import datasets 9 # 进行交叉验证 10 from sklearn.cross_validation import train_test_split 11 # 导入标准化尺度 12 from sklearn.preprocessing import StandardScaler 13 # 导入感知机算法 14 from sklearn.linear_model import Perceptron 15 # 计算分类的准确率 16 from sklearn.metrics import accuracy_score 17 18 # 加载数据 19 iris = datasets.load_iris() 20 # 样本的后两位特征 21 X = iris.data[:,[2,3]] 22 # 目标类别 23 y = iris.target 24 # 获取30%的测试集，70%的训练集 25 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0) 26 # 标准化操作，训练集和测试集使用相同的标准化 27 sc = StandardScaler() 28 # 估算每个特征的平均值和标准差 29 sc.fit(X_train) 30 # 使用同样的均值和标准差归一化训练集和测试集 31 sc.transform(X_train) 32 sc.transform(X_test) 33 34 35 # 获得ppn对象 36 ppn = Perceptron(n_iter=40, eta0=0.5) 37 # 拟合 38 ppn.fit(X_train, y_train) 39 # 预测 40 y_pred = ppn.predict(X_test) 41 # 打印错分率 42 print ('错分样本的个数为：%d' % (y_test != y_pred).sum()) 43 # 计算准确率 44 print ('模型的准确率为:%.2f' % accuracy_score(y_test, y_pred))