不会，但是想知道，希望我能看懂吧

Question

以鸢尾花数据为例，完成机器学习算法代码编写
1）导入数据并查看
2）对数据进行转换
3）实施特征选择，并对比PCA
4）选择合适的算法
5）超参数调优
6）可视化模型成效
7）可视化模型评估指标
8）使用模型预测

Answer 1

【相关推荐】

• 你看下这篇博客吧, 应该有用👉 ：图像处理合集：图像基础操作（图像翻转、图像锐化、图像平滑等）、图像阈值分割（边缘检测、迭代法、OSTU、区域增长法等）、图像特征提取（图像分割、灰度共生矩阵、PCA图像压缩）
• 除此之外, 这篇博客: 使用PCA降维实现鸢尾花数据特征可视化中的 4.可视化 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

  #要将三种鸢尾花的数据分布显示在二维平面坐标系中，对应的两个坐标（两个特征向量）应该是三种鸢尾花降维后的x1和x2，取出三种鸢尾花下不同的x1和x2
   
  X_dr[y == 0, 0] #这里是布尔索引
   
  #要展示三中分类的分布，需要对三种鸢尾花分别绘图
  #可以写成三行代码，也可以写成for循环
  """
  plt.figure()
  plt.scatter(X_dr[y==0, 0], X_dr[y==0, 1], c="red", label=iris.target_names[0])
  plt.scatter(X_dr[y==1, 0], X_dr[y==1, 1], c="black", label=iris.target_names[1])
  plt.scatter(X_dr[y==2, 0], X_dr[y==2, 1], c="orange", label=iris.target_names[2])
  plt.legend()
  plt.title('PCA of IRIS dataset')
  plt.show()
  """
   
  colors = ['red', 'black', 'orange']
  iris.target_names
   
  plt.figure()
  for i in [0, 1, 2]:
      plt.scatter(X_dr[y == i, 0]
                  ,X_dr[y == i, 1]
                  ,alpha=.7#指画出的图像的透明度
                  ,c=colors[i]
                  ,label=iris.target_names[i]
                 )
  plt.legend()#图例
  plt.title('PCA of IRIS dataset')
  plt.show()
  
  

  
  鸢尾花的分布被展现在我们眼前了,明显这是一个分簇的分布,并且每个簇之间的分布相对比较明显,也许versicolor和virginia这两种花之间会有一些分类错误,但setosa肯定不会被分错。这样的数据很容易分类,可以预见,KNN,随机森林,神经网络,朴素贝叶斯,Adaboost这些分类器在鸢尾花数据集上,未调整的时候都可以有95%上下的准确率。

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^