天才一秒记住【畅想小说网】地址：http://www.cxtra.net
接下来定义绘制数据散点图的函数，通过data_show（）调用函数显示散点图（图6-4）。
Ia_show（）：
plt.title（"鸢尾花散点图"，foies=font）
plt.xlabel（"花瓣长度"，foies=font）
plt.ylabel（"萼片长度"，foies=font）
plt.legend（loc="upperleft"）
plt.show（）
In[15]：data_show（）
图6-4
利用sklearn提供的感知器，对抽取出的数据进行学习。
学习过程一共迭代10次，学习速率设定为0.1。
In[16]：floer_iter=10，eta0=0.1）
In[17]：flower_classifier.fit（floe，flo>
Out[17]：
&ron（alpha=0.0001，class_weight=a0=0.1，fit_interce
pt=True，n_iter=10，n_jobs=1，penalty=None，random_stat
e=0，shuffle=True，verbose=0，warm_start=False）
学习完毕后，计算学习结果的准确率。
可以看到准确率为100%（1.0）。
这表明，学习结束后得到的模型在这个数据集上的分类准确率是100%，也就是对这些数据可以给出完全正确的分类。
通常应该把数据集划分为训练集和检测集，通过训练集学习，再通过检测集评估结果。
在这个案例中没有把数据划分为两个部分。
一是因为这个问题比较简单，二是可用的数据较少。
In[18]：accuracy=flower_classifier.score（floe，flo>
In[19]：print（accuracy）
1.0
可以定义一个绘图函数，来显示这个分类器的决策边界。
结果显示如图6-5所示。
I_de_regions（x，y，classifier，resolution=0.2）：
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！