1.数据集的获取。 使用SCIKIT-LEARN的自带的鸢尾花数据集，获取该数据集150个样本的后两个特征及相应类别标签。 2.数据集的最小包围盒的获取，以及数据集的划分。 (1)获取原始二维空间中150个样本的最小包围矩形[x1_min, x1_max]*[x2_min,x2_max],并记录有关参数值。 (2)将数据集按照类别标签分层随机打乱，基于hold-out法，构建训练集(80%)与测试集(20%) 3. 模型的学习。 利用训练集，学习两种复杂程度不同的CART分类树，可视化两个分类树的学习结果。 4. 基于测试集的分类树的评价。 (1)结合测试集各样本的类别预测结果及真实类别答案，生成混淆矩阵，并可视化混淆矩阵 (2)基于混淆矩阵，估计每个类别的查准率、查全率、F1值，以及宏查准率、宏查全率、宏F1值；估计总体预测正确率. 5. 分类树的使用。 (1)在原始二维空间的矩形区域[x1_min-1, x1_max+1]*[x2_min-1,x2_max+1]内，分别在水平、垂直方向以0.02为间隔，细分生成离散格子点。 (2)分别以每个格子点作为一个待决策样本，对其分类

1. 原始数据集的获取。 使用SCIKIT-LEARN的自带的鸢尾花数据集，获取原始鸢尾花数据集。 2.模型的评价方式之一--基于oob_score的模型性能评价 以整个鸢尾花数据集为训练集，分别考察： (1) 决策树数目=10,100,500三种情况下，随机森林的分类性能，性能评价采用： RandomForestClassifier模型的属性“oob_score” (2) 决策树数目=10,100,500三种情况下，bagging模型的分类性能，性能评价采用： BaggingClassifier模型的属性“oob_score” 3. 模型评价方式之二--基于交叉验证的集成模型性能评价 将原始数据集按照类别分层随机打乱，分成K=5等分. (1) 采用K-折交叉验证平均预测错误率(及标准差)为评价指标，分别考察决策树数目=10,100,500三种情况下，随机森林模型的分类性能。 (2) 采用K-折交叉验证平均预测错误率(及标准差)为评价指标，分别考察决策树数目=10,100,500三种情况下，bagging模型的分类性能。

自然图像分类数据集Oxford-102。Oxford 102 Flowers Dataset 是一个花卉集合数据集，主要用于图像分类，它分为 102 个类别共计 102 种花，其中每个类别包含 40 到 258 张图像。 2008年由牛津大学工程科学系发布。面向深度学习人群，可用于验证神经网络性能，主流的VGG,GOGELNET,残差网络等网络都可以用于训练。适合新手人群做学习使用，可将其划分为6149张图片做训练，1020张图片做验证，1020张图片做测试。

机器学习，练练手。

Python3 Knn~鸢尾花分类-附件资源

基于决策树的鸢尾花分类-附件资源

本资源包含鸢尾花训练数据和源代码，代码注释详细，可用于小白初学机器学习

神经网络实现鸢尾花分类，pytoch写的。附带pyqt预测可视化界面。

使用SVM支持向量机进行鸢尾花分类_Python实现-附件资源

鸢尾花分类问题是机器学习领域一个非常经典的问题，本文将利用神经网络来实现鸢尾花分类 实验环境：Windows10、TensorFlow2.0、Spyder 参考资料：人工智能实践：TensorFlow笔记第一讲 1、鸢尾花分类问题描述 根据鸢尾花的花萼、花瓣的长度和宽度可以将鸢尾花分成三个品种 我们可以使用以下代码读取鸢尾花数据集 from sklearn.datasets import load_iris x_data = load_iris().data y_data = load_iris().target 该数据集含有150个样本，每个样本由四个特征和一个标签组成，四个特征分别为：