华为云耀云服务器L实例-深度学习环境配置-鸢尾花分类的识别

产品官网：https://www.huaweicloud.com/product/hecs-light.html

今天我们采用可靠更安全、智能不卡顿、价优随心用、上手更简单、管理特省心的华为云耀云服务器L实例为例，介绍配置使用 Scikit-learn 进行鸢尾花分类的识别，作为使用云服务器进行深度学习环境配置的入门基础

Scikit-learn（sklearn）是一个用于机器学习的Python库，它提供了简单而有效的工具，用于数据挖掘和数据分析。鸢尾花分类是一个经典的机器学习问题，而Scikit-learn提供了许多工具和算法来解决这类问题。

1. **安装 Python：**

   – 大多数 Ubuntu 系统预装了 Python。你可以通过以下命令检查 Python 版本：

     “`bash

     python3 –version

     “`

   – 如果需要安装 Python，可以使用以下命令：

     “`bash

     sudo apt update

     sudo apt install python3

     “`

2. **安装 pip（Python 包管理工具）：**

   – 使用以下命令安装 pip：

     “`bash

     sudo apt install python3-pip

     “`

3. **创建虚拟环境（可选但建议）：**

   – 为了隔离项目的依赖，建议使用虚拟环境。使用以下命令创建虚拟环境：

     “`bash

     sudo apt install python3-venv

     python3 -m venv myenv

     source myenv/bin/activate

     “`

4. **安装 Scikit-learn：**

   – 在激活的虚拟环境中，使用以下命令安装 Scikit-learn：

     “`bash

     pip install scikit-learn

     “`

5. **编写 Python 代码：**

首先，让我们在myenv环境下创建项目结构目录：

project_root/

│

├── src/

│   ├── iris_classifier/

│   │   ├── iris_classifier.py

│   │   └── 其他源代码文件（如果有）

│

├── 其他项目文件和目录

使用vim创建一个 Python 脚本来编写使用 Scikit-learn 进行鸢尾花分类的代码。

vim iris_classifier.py

     “`python

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

from sklearn import metrics

# 加载鸢尾花数据集

iris = datasets.load_iris()

X = iris.data

y = iris.target

# 将数据集拆分为训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建 KNN 分类器

knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型

knn.fit(X_train, y_train)

# 进行预测

y_pred = knn.predict(X_test)

# 输出预测结果

print(“Predictions:”)

print(y_pred)

# 输出真实标签

print(“Actual Labels:”)

print(y_test)

# 输出每个测试样本的预测和真实标签

print(”
Detailed Results:”)

for i in range(len(X_test)):

    print(f”Sample {i + 1} – Predicted: {y_pred[i]}, Actual: {y_test[i]}”)

# 输出混淆矩阵

confusion_matrix = metrics.confusion_matrix(y_test, y_pred)

print(”
Confusion Matrix:”)

print(confusion_matrix)

# 输出分类报告

classification_report = metrics.classification_report(y_test, y_pred, target_names=iris.target_names)

print(”
Classification Report:”)

print(classification_report)

# 输出准确性

accuracy = metrics.accuracy_score(y_test, y_pred)

print(”
Accuracy:”, accuracy)

     “`

6. **运行 Python 代码：**

   – 使用以下命令运行 Python 代码：

     “`bash

     python iris_classifier.py

     “`

由图可以得到完整的输出结果，包括各混淆矩阵、预测与真实样本、分类报告、准确性等。

通过这些步骤，我们成功在 华为云耀云服务器L实例上成功配置并运行使用 Scikit-learn 进行鸢尾花分类的识别。