鸢尾花分类预测 python可视化

### 鸢尾花数据集分类预测与可视化示例 以下是一个完整的 Python 示例，使用鸢尾花数据集进行分类预测，并对结果进行可视化。代码分为数据加载、数据预处理、模型训练和结果可视化四个部分。 ```python # 导入必要的库 import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC from sklearn.metrics import accuracy_score, confusion_matrix from matplotlib.colors import ListedColormap # 加载鸢尾花数据集 iris = datasets.load_iris() X = iris.data[:, :2] # 只取前两个特征：花萼长度和花萼宽度 y = iris.target # 目标变量 # 筛选类别0和类别1的数据 X = X[y != 2] y = y[y != 2] # 数据划分（训练集和测试集） X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 数据标准化 scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # 训练支持向量机（SVM）分类器 classifier = SVC(kernel='linear', random_state=42) classifier.fit(X_train, y_train) # 模型预测 y_pred = classifier.predict(X_test) # 模型评估 accuracy = accuracy_score(y_test, y_pred) conf_matrix = confusion_matrix(y_test, y_pred) print(f"模型准确率: {accuracy:.2f}") print("混淆矩阵:") print(conf_matrix) # 可视化决策边界 def plot_decision_boundary(X, y, classifier, title): X_set, y_set = X, y X1, X2 = np.meshgrid(np.arange(start=X_set[:, 0].min() - 1, stop=X_set[:, 0].max() + 1, step=0.01), np.arange(start=X_set[:, 1].min() - 1, stop=X_set[:, 1].max() + 1, step=0.01)) plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape), alpha=0.75, cmap=ListedColormap(('red', 'green'))) plt.xlim(X1.min(), X1.max()) plt.ylim(X2.min(), X2.max()) for i, j in enumerate(np.unique(y_set)): plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1], c=ListedColormap(('red', 'green'))(i), label=j) plt.title(title) plt.xlabel('花萼长度') plt.ylabel('花萼宽度') plt.legend() # 绘制训练集的决策边界 plot_decision_boundary(X_train, y_train, classifier, "SVM 分类器 - 训练集") # 绘制测试集的决策边界 plot_decision_boundary(X_test, y_test, classifier, "SVM 分类器 - 测试集") plt.show() ``` 上述代码实现了以下功能： - 数据加载与筛选[^1]。 - 数据标准化处理。 - 使用支持向量机（SVM）进行分类。 - 模型评估与结果可视化[^3]。