iris数据集的读取,训练,预测
来源:互联网 发布:新网域名代理平台 编辑:程序博客网 时间:2024/04/24 11:19
一 读取UCI数据集iris.data中数据方法
1.将数据分成五组,一列一列读进列向量当中
>> [attrib1, attrib2, attrib3, attrib4, class] = textread('data\iris.data', '%f%f%f%f%s', 'delimiter', ',');
2.将前面的4组浮点型数据,整合进一个矩阵当中,成为一个column_length*4类型的矩阵
>> attrib = [attrib1; attrib2; attrib3; attrib4];
注:另外一种形式
>> attrib = [attrib1'; attrib2'; attrib3'; attrib4']';
作用:
3.创建一个1*150的矩阵列向量,初始化为0
>> a = zeros(150, 1);
4.对照字符串向量class<存储的是花的类别>,对应三种花类型保存相应类型数字
>> a(strcmp(class, 'Iris-setosa')) = 1;
>> a(strcmp(class, 'Iris-versicolor')) = 2;
>> a(strcmp(class, 'Iris-virginica')) = 3;
至此,属性值均保存到attrib中,类别值保存到数组a中。
二 将数据集划分为训练集和测试集
1. 训练集的读取<每组数据40个>
>> train_label = a([1:40 51:90 101:140],end);
//[]里指的是截取相应行,第二维的end指的是取最后一列,此处label仅有一列,也即取所有列
>> train_data = attrib([1:40 51:90 101:140],1:end);
//[]意义同上,第二维即是,取第1到end列,也即是所有列
2.测试集的读取<每组数据10个>
>> test_label = a([41:50 91:100 141:150],end);
>> test_data = attrib([41:50 91:100 141:150],1:end);
三 建立模型训练并预测
>> model = svmtrain(train_label,train_data);
>> [predict,accuracy,pp] = svmpredict(test_label,test_data,model,'-q');<版本问题,libsvm3.17,需要加入pp,'-q'的版本>
四 实验结果
参照:http://www.cnblogs.com/tornadomeet/archive/2012/06/04/2534939.html
- iris数据集的读取,训练,预测
- iris数据集的可视化
- Matlab读取UCI数据集Iris中数据
- 数据挖掘-oneR算法-Iris数据集分析-使用oneR算法进行分类预测(五)
- 大数据入门——Iris数据集类别预测(K近邻分类器:KNN)
- Caffe 之 使用非图片的鸢尾花(IRIS)数据集(hdf5格式) 训练网络模型
- python iris 数据集
- 机器学习第一个练手程序 基于决策树的iris数据预测
- java实现k-means算法(用的鸢尾花iris的数据集,从mysq数据库中读取数据)
- 使用sklearn中的Iris植物分类数据集进行特征检验与预测分析
- 用随机森林分类算法进行Iris 数据分类训练,是怎样的体验?
- 利用KNC对iris数据进行分裂及预测
- iris数据的KNN实现
- 逻辑回归(Logistic regression)详解-并用scikit-learn训练逻辑回归拟合Iris数据集
- 逻辑回归(Logistic regression)详解-并用scikit-learn训练逻辑回归拟合Iris数据集
- 数据挖掘-K-近邻分类器-Iris数据集分析-使用K-近邻分类器进行分类预测(四)
- Iris数据集可视化分析
- iris数据集(.csv .txt)
- opencv3.0.0环境搭建
- IOS使用自带的API绘制一个加载进度的圆圈
- HDU 5473(There was a kingdom-凸包+dp)
- 弹出键盘 输入框上移
- Integer类
- iris数据集的读取,训练,预测
- Ubuntu快速启动栏
- CC2541低功耗的实现方法
- SpringMVC学习指南<二> 模型2和MVC模式
- zendstudio 10 安装
- Android中的Handler机制
- 后台服务(Service)
- CocoaPods的安装与使用
- 【C语言】单链表的实现