Введение
В этой статье мы рассмотрим пример применения машинного обучения с использованием библиотек Python. Мы используем библиотеку scikit-learn для создания модели классификации на основе набора данных Iris.
```python
##Импорт необходимых библиотек
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, classification_report
## Загрузка данных
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"
names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class']
dataset = pd.read_csv(url, names=names)
## Подготовка данных
X = dataset.iloc[:, :-1].values
y = dataset.iloc[:, 4].values
## Разделение данных на обучающий и тестовый набор
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
## Нормализация признаков
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
## Обучение модели
classifier = SVC(kernel='linear', random_state=0)
classifier.fit(X_train, y_train)
## Прогнозирование результатов
y_pred = classifier.predict(X_test)
## Оценка модели
print("Accuracy:", accuracy_score(y_test, y_pred))
print("\nClassification Report:\n", classification_report(y_test, y_pred))
```
Этот код демонстрирует простой пример применения машинного обучения с использованием библиотек Python. Мы загружаем данные, подготавливаем их, разделяем на обучающий и тестовый наборы, нормализуем признаки, обучаем модель классификации методом опорных векторов (SVM) и оцениваем ее производительность с помощью метрик точности и отчета о классификации.