sklearn学习_01

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