1.3鸢尾花数据读入

  1. # 从sklearn包datasets读入数据
  2. from sklearn import datasets
  3. from pandas import DataFrame
  4. import pandas as pd
  5.  
  6. x_data = datasets.load_iris().data # 加载特征
  7. y_data = datasets.load_iris().target # 加载标签
  8. print('x_data from datasets:\n',x_data)
  9. print('y_data from datasets:\n',y_data)
  10.  
  11. # columns为特征名称
  12. x_data = DataFrame(x_data,columns=['花萼长度','花萼宽度','花瓣长度','花瓣宽度'])
  13. pd.set_option('display.unicode.east_asian_width',True) #设置列名对其
  14. print('x_data add index: \n',x_data)
  15. x_data['类别'] = y_data # 新加一行标签为y_data
  16.  
  17. print("x_data add a colunmn \n",x_data)
  1. x_data from datasets:
  2.  [[5.1 3.5 1.4 0.2]
  3.  [4.9 3.  1.4 0.2]
  4.  [4.7 3.2 1.3 0.2]
  5.  [4.6 3.1 1.5 0.2]
  6.  [5.  3.6 1.4 0.2]
  7.  [5.4 3.9 1.7 0.4]
  8.  [4.6 3.4 1.4 0.3]
  9.  [5.  3.4 1.5 0.2]
  10.  [4.4 2.9 1.4 0.2]
  11.  [4.9 3.1 1.5 0.1]
  12.  [5.4 3.7 1.5 0.2]
  13.  [4.8 3.4 1.6 0.2]
  14.  [4.8 3.  1.4 0.1]
  15.  [4.3 3.  1.1 0.1]
  16.  [5.8 4.  1.2 0.2]
  17.  [5.7 4.4 1.5 0.4]
  18.  [5.4 3.9 1.3 0.4]
  19.  [5.1 3.5 1.4 0.3]
  20.  [5.7 3.8 1.7 0.3]
  21.  [5.1 3.8 1.5 0.3]
  22.  [5.4 3.4 1.7 0.2]
  23.  [5.1 3.7 1.5 0.4]
  24.  [4.6 3.6 1.  0.2]
  25.  [5.1 3.3 1.7 0.5]
  26.  [4.8 3.4 1.9 0.2]
  27.  [5.  3.  1.6 0.2]
  28.  [5.  3.4 1.6 0.4]
  29.  [5.2 3.5 1.5 0.2]
  30.  [5.2 3.4 1.4 0.2]
  31.  [4.7 3.2 1.6 0.2]
  32.  [4.8 3.1 1.6 0.2]
  33.  [5.4 3.4 1.5 0.4]
  34.  [5.2 4.1 1.5 0.1]
  35.  [5.5 4.2 1.4 0.2]
  36.  [4.9 3.1 1.5 0.2]
  37.  [5.  3.2 1.2 0.2]
  38.  [5.5 3.5 1.3 0.2]
  39.  [4.9 3.6 1.4 0.1]
  40.  [4.4 3.  1.3 0.2]
  41.  [5.1 3.4 1.5 0.2]
  42.  [5.  3.5 1.3 0.3]
  43.  [4.5 2.3 1.3 0.3]
  44.  [4.4 3.2 1.3 0.2]
  45.  [5.  3.5 1.6 0.6]
  46.  [5.1 3.8 1.9 0.4]
  47.  [4.8 3.  1.4 0.3]
  48.  [5.1 3.8 1.6 0.2]
  49.  [4.6 3.2 1.4 0.2]
  50.  [5.3 3.7 1.5 0.2]
  51.  [5.  3.3 1.4 0.2]
  52.  [7.  3.2 4.7 1.4]
  53.  [6.4 3.2 4.5 1.5]
  54.  [6.9 3.1 4.9 1.5]
  55.  [5.5 2.3 4.  1.3]
  56.  [6.5 2.8 4.6 1.5]
  57.  [5.7 2.8 4.5 1.3]
  58.  [6.3 3.3 4.7 1.6]
  59.  [4.9 2.4 3.3 1. ]
  60.  [6.6 2.9 4.6 1.3]
  61.  [5.2 2.7 3.9 1.4]
  62.  [5.  2.  3.5 1. ]
  63.  [5.9 3.  4.2 1.5]
  64.  [6.  2.2 4.  1. ]
  65.  [6.1 2.9 4.7 1.4]
  66.  [5.6 2.9 3.6 1.3]
  67.  [6.7 3.1 4.4 1.4]
  68.  [5.6 3.  4.5 1.5]
  69.  [5.8 2.7 4.1 1. ]
  70.  [6.2 2.2 4.5 1.5]
  71.  [5.6 2.5 3.9 1.1]
  72.  [5.9 3.2 4.8 1.8]
  73.  [6.1 2.8 4.  1.3]
  74.  [6.3 2.5 4.9 1.5]
  75.  [6.1 2.8 4.7 1.2]
  76.  [6.4 2.9 4.3 1.3]
  77.  [6.6 3.  4.4 1.4]
  78.  [6.8 2.8 4.8 1.4]
  79.  [6.7 3.  5.  1.7]
  80.  [6.  2.9 4.5 1.5]
  81.  [5.7 2.6 3.5 1. ]
  82.  [5.5 2.4 3.8 1.1]
  83.  [5.5 2.4 3.7 1. ]
  84.  [5.8 2.7 3.9 1.2]
  85.  [6.  2.7 5.1 1.6]
  86.  [5.4 3.  4.5 1.5]
  87.  [6.  3.4 4.5 1.6]
  88.  [6.7 3.1 4.7 1.5]
  89.  [6.3 2.3 4.4 1.3]
  90.  [5.6 3.  4.1 1.3]
  91.  [5.5 2.5 4.  1.3]
  92.  [5.5 2.6 4.4 1.2]
  93.  [6.1 3.  4.6 1.4]
  94.  [5.8 2.6 4.  1.2]
  95.  [5.  2.3 3.3 1. ]
  96.  [5.6 2.7 4.2 1.3]
  97.  [5.7 3.  4.2 1.2]
  98.  [5.7 2.9 4.2 1.3]
  99.  [6.2 2.9 4.3 1.3]
  100.  [5.1 2.5 3.  1.1]
  101.  [5.7 2.8 4.1 1.3]
  102.  [6.3 3.3 6.  2.5]
  103.  [5.8 2.7 5.1 1.9]
  104.  [7.1 3.  5.9 2.1]
  105.  [6.3 2.9 5.6 1.8]
  106.  [6.5 3.  5.8 2.2]
  107.  [7.6 3.  6.6 2.1]
  108.  [4.9 2.5 4.5 1.7]
  109.  [7.3 2.9 6.3 1.8]
  110.  [6.7 2.5 5.8 1.8]
  111.  [7.2 3.6 6.1 2.5]
  112.  [6.5 3.2 5.1 2. ]
  113.  [6.4 2.7 5.3 1.9]
  114.  [6.8 3.  5.5 2.1]
  115.  [5.7 2.5 5.  2. ]
  116.  [5.8 2.8 5.1 2.4]
  117.  [6.4 3.2 5.3 2.3]
  118.  [6.5 3.  5.5 1.8]
  119.  [7.7 3.8 6.7 2.2]
  120.  [7.7 2.6 6.9 2.3]
  121.  [6.  2.2 5.  1.5]
  122.  [6.9 3.2 5.7 2.3]
  123.  [5.6 2.8 4.9 2. ]
  124.  [7.7 2.8 6.7 2. ]
  125.  [6.3 2.7 4.9 1.8]
  126.  [6.7 3.3 5.7 2.1]
  127.  [7.2 3.2 6.  1.8]
  128.  [6.2 2.8 4.8 1.8]
  129.  [6.1 3.  4.9 1.8]
  130.  [6.4 2.8 5.6 2.1]
  131.  [7.2 3.  5.8 1.6]
  132.  [7.4 2.8 6.1 1.9]
  133.  [7.9 3.8 6.4 2. ]
  134.  [6.4 2.8 5.6 2.2]
  135.  [6.3 2.8 5.1 1.5]
  136.  [6.1 2.6 5.6 1.4]
  137.  [7.7 3.  6.1 2.3]
  138.  [6.3 3.4 5.6 2.4]
  139.  [6.4 3.1 5.5 1.8]
  140.  [6.  3.  4.8 1.8]
  141.  [6.9 3.1 5.4 2.1]
  142.  [6.7 3.1 5.6 2.4]
  143.  [6.9 3.1 5.1 2.3]
  144.  [5.8 2.7 5.1 1.9]
  145.  [6.8 3.2 5.9 2.3]
  146.  [6.7 3.3 5.7 2.5]
  147.  [6.7 3.  5.2 2.3]
  148.  [6.3 2.5 5.  1.9]
  149.  [6.5 3.  5.2 2. ]
  150.  [6.2 3.4 5.4 2.3]
  151.  [5.9 3.  5.1 1.8]]
  152. y_data from datasets:
  153.  [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
  154.  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
  155.  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
  156.  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
  157.  2 2]
  158. x_data add index:
  159.       花萼长度  花萼宽度  花瓣长度  花瓣宽度
  160. 0         5.1       3.5       1.4       0.2
  161. 1         4.9       3.0       1.4       0.2
  162. 2         4.7       3.2       1.3       0.2
  163. 3         4.6       3.1       1.5       0.2
  164. 4         5.0       3.6       1.4       0.2
  165. ..        ...       ...       ...       ...
  166. 145       6.7       3.0       5.2       2.3
  167. 146       6.3       2.5       5.0       1.9
  168. 147       6.5       3.0       5.2       2.0
  169. 148       6.2       3.4       5.4       2.3
  170. 149       5.9       3.0       5.1       1.8
  171.  
  172. [150 rows x 4 columns]
  173. x_data add a colunmn
  174.       花萼长度  花萼宽度  花瓣长度  花瓣宽度  类别
  175. 0         5.1       3.5       1.4       0.2     0
  176. 1         4.9       3.0       1.4       0.2     0
  177. 2         4.7       3.2       1.3       0.2     0
  178. 3         4.6       3.1       1.5       0.2     0
  179. 4         5.0       3.6       1.4       0.2     0
  180. ..        ...       ...       ...       ...   ...
  181. 145       6.7       3.0       5.2       2.3     2
  182. 146       6.3       2.5       5.0       1.9     2
  183. 147       6.5       3.0       5.2       2.0     2
  184. 148       6.2       3.4       5.4       2.3     2
  185. 149       5.9       3.0       5.1       1.8     2
  186.  
  187. [150 rows x 5 columns]

tensorflow2.0学习笔记第一章第三节的更多相关文章

  1. tensorflow2.0学习笔记第一章第二节

    1.2常用函数 本节目标:掌握在建立和操作神经网络过程中常用的函数 # 常用函数 import tensorflow as tf import numpy as np # 强制Tensor的数据类型转 ...

  2. tensorflow2.0学习笔记第一章第一节

    一.简单的神经网络实现过程 1.1张量的生成 # 创建一个张量 #tf.constant(张量内容,dtpye=数据类型(可选)) import tensorflow as tf import num ...

  3. tensorflow2.0学习笔记第一章第四节

    1.4神经网络实现鸢尾花分类 import tensorflow as tf from sklearn import datasets import pandas as pd import numpy ...

  4. tensorflow2.0学习笔记第二章第三节

    2.3激活函数sigmoid函数 f(x)= 1/(1 + e^-x)tf.nn.sigmoid(x)特点:(1)求导后的数值在0-0.25之间,链式相乘之后容易使得值趋近于0,形成梯度消失 (2)输 ...

  5. tensorflow2.0学习笔记第一章第五节

    1.5简单神经网络实现过程全览

  6. tensorflow2.0学习笔记第二章第一节

    2.1预备知识 # 条件判断tf.where(条件语句,真返回A,假返回B) import tensorflow as tf a = tf.constant([1,2,3,1,1]) b = tf.c ...

  7. tensorflow2.0学习笔记第二章第二节

    2.2复杂度和学习率 指数衰减学习率可以先用较大的学习率,快速得到较优解,然后逐步减少学习率,使得模型在训练后期稳定指数衰减学习率 = 初始学习率 * 学习率衰减率^(当前轮数/多少轮衰减一次) 空间 ...

  8. tensorflow2.0学习笔记第二章第四节

    2.4损失函数损失函数(loss):预测值(y)与已知答案(y_)的差距 nn优化目标:loss最小->-mse -自定义 -ce(cross entropy)均方误差mse:MSE(y_,y) ...

  9. PRML学习笔记第一章

    [转] PRML笔记 - 1.1介绍 模式识别的目标 自动从数据中发现潜在规律,以利用这些规律做后续操作,如数据分类等. 模型选择和参数调节 类似的一族规律通常可以以一种模型的形式为表达,选择合适模型 ...

随机推荐

  1. Django之urls.py路由配置(URLConf)

    urls.py路由配置(URLConf) URL配置(URLconf)就像Django 所支撑网站的目录.它的本质是URL与要为该URL调用的视图函数之间的映射表. 基本格式: Django1.x版本 ...

  2. Word使用技巧——持续更新

    Q1:word 2007 打开后默认显示缩略图而不是文档结构图? A1:三步曲 1)打开word,关闭缩略图,保存并关闭文档 2)重新打开word(此时应该没有显示缩略图),勾选上“文档结构图”,保存 ...

  3. 【HTTP】Web服务器和HTTP的协作&HTTP首部

    用单台虚拟主机实现多个域名 Web服务器可以搭建多个独立域名的Web网站,也可以作为通信路径上的中转服务器提升效率. HTTP/1.1规范允许一台HTTP服务器搭建多个Web站点,提供Web托管服务的 ...

  4. Istio Polit-agent & Envoy 启动流程

    开篇 通过上一篇 Istio Sidecar注入原理 文章可以发现,在应用提交到kubernate部署时已经同时注入了Sidecar应用. 细心的话应该还可以发现,除了注入了istio-proxy应用 ...

  5. 实现.Net程序中OpenTracing采样和上报配置的自动更新

    前言 OpenTracing是一个链路跟踪的开放协议,已经有开源的.net实现:opentracing-csharp,同时支持.net framework和.net core,Github地址:htt ...

  6. 通道(Channel)的原理与获取

    通道(Channel):由 java.nio.channels 包定义 的.Channel 表示 IO 源与目标打开的连接. Channel 类似于传统的“流”.只不过 Channel 本身不能直接访 ...

  7. 【转】网页的title左边的小图片怎么添加

    首先,代码中的title标签里是不能加图片的.但是浏览器标提栏前面是可以加一个小图标的. 解决方案:第一步,做一个16 X 16像素的ico格式的图标.具体操作方法是,先在Photoshop中做一个透 ...

  8. NetCore项目实战篇08---Docker挂载mysql并连接.netCoreWeb

    我们的项目之前在直接连接的mysql,今天我们将通过docker挂载mysql 并与我们开发的webapi项目连接. 1. 安装docker 下载地址: https://download.docker ...

  9. SpringBoot--SpringMVC自动配置

    SpringMVC自动配置 1.SpringBoot官方文档对SpringMVC的默认配置: Inclusion of ContentNegotiatingViewResolver and BeanN ...

  10. parrot os的一些坑

    burpsuite 破解版的运行环境需要jdk8,jdk11无法运行 选择jdk环境 update-alternatives --config java 截图工具 sudo apt install f ...