版权声明:本文为博主原创文章,未经博主允许欢迎转载,但请注明出处。 https://blog.csdn.net/liumiaocn/article/details/82924276
这篇文章将对Iris数据集中的线性关系挖掘进行准备,Iris数据集包含四个维度,两两结合,将会形成12种不同的组合。这里使用前文整理的共通功能直接进行确认
Iris数据集
每条数据都从鸢尾花的如下四个特征进行描述
特征 | 说明 | 数据下标 |
---|---|---|
Sepal.Length | 花萼长度 | 0 |
Sepal.Width | 花萼宽度 | 1 |
Petal.Length | 花瓣长度 | 1 |
Petal.Width | 花瓣宽度 | 3 |
组合
花萼长度 | 花萼宽度 | 花瓣长度 | 花瓣宽度 | |
---|---|---|---|---|
花萼长度 | - | 组合1 | 组合2 | 组合3 |
花萼宽度 | 组合7 | - | 组合4 | 组合5 |
花瓣长度 | 组合8 | 组合9 | - | 组合6 |
花瓣宽度 | 组合10 | 组合11 | 组合12 | - |
组合1 :花萼长度 x 花萼宽度
数据加载方式:
model = LinearModel()
model.load(0,1)
结果确认
组合2 :花萼长度 x 花瓣长度
数据加载方式:
model = LinearModel()
model.load(0,2)
结果确认
组合3 :花萼长度 x 花瓣宽度
数据加载方式:
model = LinearModel()
model.load(0,3)
结果确认
组合4 :花萼宽度 x 花瓣长度
数据加载方式:
model = LinearModel()
model.load(1,2)
结果确认
组合5 :花萼宽度 x 花瓣宽度
数据加载方式:
model = LinearModel()
model.load(1,3)
结果确认
组合6 :花瓣长度 x 花瓣宽度
数据加载方式:
model = LinearModel()
model.load(2,3)
结果确认
总结
可以直观地看出花瓣的长度与宽度之间的线性关系的拟合效果最好,另外也可以根据值与期待值的接近程度的均值来进行判断。从数据进行分析,通过计算来判断数据不同维度之间是否存在线性关系,就可以使用本文类似的方法对实际的数据进行分析。