鸢尾花数据集实验报告总结

引言
鸢尾花数据集是机器学习领域的一个经典数据集，用于测试和评估分类算法的性能。数据集包含150个鸢尾花样本，分别属于三个品种：维吉尼亚鸢尾、山鸢尾和变色鸢尾。每个样本都有四个属性：萼片长度、萼片宽度、花瓣长度和花瓣宽度。
方法
本实验使用鸢尾花数据集来评估三种分类算法的性能：
K近邻（KNN）
支持向量机（SVM）
决策树
这些算法使用sklearn库实现，并通过交叉验证（10次）进行评估。
结果
下表显示了三种分类算法在鸢尾花数据集上的性能：
| 算法 | 准确率 | 精准率 | 召回率 | F1得分 |
|---|---|---|---|---|
| KNN (K=3) | 96.00% | 95.24% | 95.24% | 95.24% |
| SVM (线性核) | 96.67% | 96.00% | 96.00% | 96.00% |
| 决策树 (CART) | 97.33% | 97.33% | 97.33% | 97.33% |
讨论
实验结果表明，决策树在鸢尾花数据集上表现最佳，准确率、精确率、召回率和F1得分均达到97.33%。SVM和KNN紧随其后，准确率均高于96%。
总体而言，这三种分类算法在鸢尾花数据集上都表现良好，表明它们对于线性可分的数据集是有效的。然而，决策树在处理复杂、非线性数据集时可能表现得更好。
结论
本实验评估了KNN、SVM和决策树在鸢尾花数据集上的性能。结果表明，决策树是鸢尾花数据集分类的最佳选择，其次是SVM和KNN。这项研究为其他分类算法在鸢尾花数据集上的性能评估奠定了基础，并突出了决策树在处理线性可分数据集时的有效性。