一百零二类花分类数据集

本项目基于C4.5决策树算法实现对莺尾花的分类识别。考虑到，花萼长度、花萼宽度、花瓣长度、花瓣宽度均为连续变量，所以需要进行离散化处理；这里通过Gini Index来进行离散化处理，考虑到此次分三类，且通过上面的可视化，三种花在4个属性上分布均存在较大差异，所以对花萼长度、花萼宽度、花瓣长度、花瓣宽度四个属性均采用两个分界点来分成三类。 max_depth = 2 训练集上的准确率：0.964 测试集上的准确率：0.895 max_depth = 3 训练集上的准确率：0.982 测试集上的准确率：0.974 max_depth = 4 训练集上的准确率：1.000 测试集上的准确率：0.974

pytorch编写AlexNet实现多花分类，里边包含数据集，以及测试图片

深度学习网络模型——RepVGG网络详解、RepVGG网络训练花分类数据集整体项目实现

通过本次实验，我们进一步监督学习的基本知识，重点理解决策树的常见算法和改进策略，掌握决策树的基本实现方法，考虑决策树的实现细节，实现了基本的决策树模型并使用汽车模型和蘑菇模型对模型进行测试和可视化，测试效果较好。

@参考Python 机器学习基础教程 鸢尾花分类 一个简单的机器学习应用，构建第一个模型。 对鸢尾花的分类，根据测量数据进行，该测量数据则为特征。测量数据：花瓣的长度和宽度、花萼的长度和宽度，所有测量结果的单位为cm 我们的目标是构建一个机器学习模型 因为有已知品种的鸢尾花的测试数据，所以这是一个监督学习问题。我们要在多个选项中预测其中一个（品种）。这是一个分类（classsification）问题。可能的输出（鸢尾花的不同品种）叫做类别（class）。数据集中共有三个类别（setosa、versicolor、virginica）。对于一个数据点来说，它的品种叫做标签（label）。 1、初识

这段时间，自己学习了一些有关机器学习的算法，现在拿鸢尾花分类来对这四种进行巩固与回顾。 这些算法都是直接使用的skearn库的算法，并未自己编写。 鸢尾花的降维 import matplotlib.pyplot as plt from sklearn.decomposition import PCA from sklearn.datasets import load_iris data = load_iris() y = data.target X = data.data pca = PCA(n_components=2) reduced_X = pca.fit_transform(X) re

深度学习，代码示例，用一个简单的一层网络实现鸢尾花分类，经过500次传播，准确率可以达到90%以上。最后实现了准确率和损失值的可视化。

这个资源是用基于PyTorch的框架做的，用的是AlexNet的神经网络模型，做的是花朵分类识别与预测的案例。代码很详细，容易看懂。 数据集中包含5种类别的花朵。下载运行代码时，记得把数据集的压缩包解压下来，并且改一下代码中载入此数据集时相应的路径哦~

本项目已包含花分类数据集和训练好的AlexNet.pth模型，可直接进行花分类预测，代码共分5部分： 1. 数据预处理：划分数据集  2. 加载自定义数据集 3. 建立Alexnet模型  4. 模型训练  5. 模型的评估和使用训练好的模型进行图片分类 本文代码简单易懂，有较具体的注释，只需具备基础的python知识，便可以顺序通读。