アイリス分類問題は、エントリレベルの機械学習の問題は、我々は最終的に比較予測と実際の値を与えるPythonのsklearnライブラリを通じて、機械学習のプロセス全体を学ぶために、コードのいくつかの簡単なラインを使用して、正しいを与えることができていますレートスコア。
このプログラムの基本的な考え方うちのソートしてみましょう。
データセットdataset.load_iris（）、およびSVM分類器のツール、データセットの分割ツールで使用されるモデルを使用する必要性を含め、インポートライブラリsklearn、。
第二に、インポートデータにPythonコマンドを使用して、トレーニングおよびテストセットを設定します。
第三には、svm.LinearSVC分類を作成し、トレーニングデータ入力トレーニングは場所CLFで良いモデルを設定します。
分類器の使用は、訓練フィッティングのフィット法CLF
、5を予測するために、テストデータの分類器CLFセットを使用する方法を予測
6つの本当の結果予測された結果との比較テスト・セットのテストセットをとCLFのスコアを使用する方法を取得します予測精度。
具体的なコードは次のよう：
from sklearn import datasets
from sklearn import svm
from sklearn.model_selection import train_test_split
iris = datasets.load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.3,random_state=0)
clf = svm.LinearSVC()
clf.fit(X_train,y_train)
y_predict = clf.predict(X_test)
comparison = ['predict: '+str(a)+' realcat: '+str(b) for a,b in zip(y_predict,y_test)]
for comp in comparison:
print(comp)
print(f'Score:{clf.score(X_test,y_test)}')
：結果の出力は次のように
、モデルは、93％の予測精度を作った非常にOllie第与えられると言うことができます_
