CMS-PY|Home

Machine Learning

Scikit-Learn : สำรวจข้อมูล IRIS datasets

By admin | Oct. 6, 2019, 7:43 a.m. | comments 344

เครื่องมือ -----------

python idle

1. รัน python idle

2. โหลด iris datasets

>>> from sklearn.datasets import load_iris

>>> iris = load_iris()

ข้อมูลที่โหลดมาจัดเก็บในตัวแปร iris มีทั้งสิ้น 6 ส่วน ประกอบด้วย

DESCR (คำอธิบายเกี่ยวกับข้อมูล)
data (ข้อมูล (150 รายการ))
feature_names (ชื่อฟิลด์ (4 รายการ))
filename (ชื่อแฟ้ม)
target (รหัสแทนชื่อพันธ์ (150 รายการ))
tartget_names(ชื่อพันธ์ (3 รายการ))

โดยสามารถแสดงรายละเอียดของข้อมูลแต่ละส่วนได้ดังนี้

>>> iris.DESCR

'.. _iris_dataset:\n\nIris plants dataset\n--------------------\n\n**Data Set 
Characteristics:**\n\n    :Number of Instances: 150 (50 in each of three classes)\n    
:Number of Attributes: 4 numeric, predictive attributes and the class\n    
:Attribute Information:\n       - sepal length in cm\n        - sepal width in 
......
......
on Information Theory, May 1972, 431-433.\n   - See also: 1988 MLC Proceedings, 54-64.  
Cheeseman et al"s AUTOCLASS II\n     conceptual clustering system finds 3 classes in
 the data.\n   - Many, many more ...'

>>> iris.filename

'D:\\Program\\Python37\\lib\\site-packages\\sklearn\\datasets\\data\\iris.csv'

>>> iris.feature_names

['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

>>> iris.target_names

array(['setosa', 'versicolor', 'virginica'], dtype='<U10')

รายละเอียดที่แสดงข้างต้น เป็นรายละเอียดเกี่ยวกับข้อมูล แต่ไม่ใช่ตัวข้อมูล สำหรับข้อมูลที่ใช้งานจริงๆ มี 2 ส่วน คือ data กับ target

>>> iris.data

array([[5.1, 3.5, 1.4, 0.2],
       [4.9, 3. , 1.4, 0.2],
       [4.7, 3.2, 1.3, 0.2],
       [4.6, 3.1, 1.5, 0.2],
        .....
        .....
        .....
       [6.5, 3. , 5.2, 2. ],
       [6.2, 3.4, 5.4, 2.3],
       [5.9, 3. , 5.1, 1.8]])

ข้อมูล iris.data จำนวน 150 รายการ แต่ละรายการมีข้อมูล 4 ฟิลด์ โดยจัดเก็บในรูปแบบของแอร์เรย์ 2 มิติ

>>> iris.target

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])

ข้อมูล iris.target มี 150 รายการเช่นเดียวกัน แต่จะเป็น แอร์เรย์ 1 มิติ

ทั้ง iris.data และ iris.target เป็นข้อมูลของดอก iris จำนวน 3 พันธ์ (พันธ์ละ 50 รายการ) โดย แต่ละรายการของ iris.data (ข้อมูล 4 ฟิลด์) จะสัมพันธ์กับรหัสชื่อพันธ์ใน iris.tartget (ข้อมูล 1 ฟิลด์) ในตำแหน่งรายการเดียวกัน

3. สำรวจข้อมูล

iris.data

ชนิดข้อมูล

>>> iris.data.dtype

dtype('float64') <-- จำนวนจริง  ขนาด 64 bit

มิติของแอร์เรย์

>>> iris.data.ndim

2 <--- แอร์เรย์ 2 มิติ

รูปร่างข้อมูล

>>> iris.data.shape

(150, 4) <--150 ราการ แต่ละรายการมี 4 ฟิลด์

ขนาด (จำนวนข้อมูล)

>>> iris.data.size

600 <-- 150 X 4

iris.target

เราสามารถสำรวจข้อมูลต่างๆ ของ iris.target ได้ โดยใช้คำสั่งเช่นเดียวกันกับ iris.data

>>> iris.target.dtype

dtype('int32')

>>> iris.target.ndim

>>> iris.target.shape

(150,)

>>> iris.target.size

4. กราฟของข้อมูล iris

การแสดงข้อมูล iris ในรูปแบบกราฟ(อย่างง่าย) สำหรับรายละเอียดเพิ่มเติม ศึกษาจาก การใช้งาน matplotlib

>>> from sklearn.datasets import load_iris

>>> from matplotlib import pyplot as plt

>>> iris = load_iris()

>>> x_index = 0

>>> y_index = 1

>>> formatter = plt.FuncFormatter(lambda i, *args: iris.target_names[int(i)])

>>> plt.figure(figsize=(5, 4))

<Figure size 500x400 with 0 Axes>

>>> plt.scatter(iris.data[:, x_index], iris.data[:, y_index], c=iris.target)

<matplotlib.collections.PathCollection object at 0x000001E321D41C50>

>>> plt.colorbar(ticks=[0, 1, 2], format=formatter)

<matplotlib.colorbar.Colorbar object at 0x000001E321D7F668>

>>> plt.xlabel(iris.feature_names[x_index])

Text(0.5, 0, 'sepal length (cm)')

>>> plt.ylabel(iris.feature_names[y_index])

Text(0, 0.5, 'sepal width (cm)')

>>> plt.tight_layout()

>>> plt.show()

ผลลัพธ์

หมายเหตุ คำสั่ง show() จะแสดงผลกราฟค้างไว้ หากต้องการกลับมาทำงานต่อที่ python shell ให้้ปิดการแสดงผลกราฟ

หากต้องการเขียนเป็น python scripts สามารถทำได้โดย สร้าง File ใหม่ และเขียนโปรแกรม

ข้อมูลแต่ละแบบจะเหมาะสม หรือ สร้างกราฟ ที่แตกต่างกัน เช่นในตัวอย่างการใช้ algorithms แบบ DecisionTreeClassifier

กราฟแสดงการกระจายของข้อมูล

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
iris = load_iris()
x=iris.data
y=iris.target
x_train,x_test, y_train,y_test = train_test_split(x,y,random_state = 0)

colors = ['red', 'greenyellow', 'blue']
for i in range(len(colors)):
    xs = x_train[:, 0][y_train == i]
    ys = x_train[:, 1][y_train == i]
    plt.scatter(xs, ys, c=colors[i])
plt.legend(iris.target_names)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

ผลลัพธ์

กราฟแท่ง

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
iris=load_iris()

fig, axes = plt.subplots(nrows= 2, ncols=2)
colors= ['blue', 'red', 'green']

for i, ax in enumerate(axes.flat):
    for label, color in zip(range(len(iris.target_names)), colors):
        ax.hist(iris.data[iris.target==label, i], label=             
                            iris.target_names[label], color=color)
        ax.set_xlabel(iris.feature_names[i])  
        ax.legend(loc='upper right')


plt.show()

ผลลัพธ์

กราฟแท่งแสดงข้อมูลเฉพาะความยาวของกลีบเลี้ยง (Sepal Length)

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
iris=load_iris()
x = iris.data
y = iris.target
plt.figure(figsize = (10, 7)) 
sepal_length = x[:,0] 

plt.hist(sepal_length, bins = 20, color = "green") 
plt.title("Sepal Length in cm") 
plt.xlabel("Sepal_Length_cm") 
plt.ylabel("Count") 
plt.show()

ผลลัพธ์

BOX Plot

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
iris=load_iris()
x = iris.data
y = iris.target
fig1, ax1 = plt.subplots()
ax1.set_title('IRIS Plot')
ax1.boxplot(x)
plt.show()

ผลลัพธ์

รายละเอียดเพิ่มเติมเกี่ยวกับการแสดงกราฟ ศึกษาเพิ่มเติมจากการใช้งาน matplotlib เบื้องต้น

ถาม-ตอบ

aYlNlfdX Oct. 14, 2023, 1:59 a.m.

aYlNlfdX Oct. 14, 2023, 2:03 a.m.

aYlNlfdX Oct. 14, 2023, 2:06 a.m.

-5) OR 914=(SELECT 914 FROM PG_SLEEP(15))--

aYlNlfdX Oct. 14, 2023, 2:06 a.m.

-1)) OR 252=(SELECT 252 FROM PG_SLEEP(15))--

aYlNlfdX Oct. 14, 2023, 2:06 a.m.

ZTRReAWo' OR 551=(SELECT 551 FROM PG_SLEEP(15))--

aYlNlfdX Oct. 14, 2023, 2:07 a.m.

tbi8My5L') OR 18=(SELECT 18 FROM PG_SLEEP(15))--

aYlNlfdX Oct. 14, 2023, 2:07 a.m.

wjQ41dDp')) OR 689=(SELECT 689 FROM PG_SLEEP(15))--

aYlNlfdX Oct. 14, 2023, 2:07 a.m.

1*DBMS_PIPE.RECEIVE_MESSAGE(CHR(99)||CHR(99)||CHR(99),15)

aYlNlfdX Oct. 14, 2023, 2:07 a.m.

1'||DBMS_PIPE.RECEIVE_MESSAGE(CHR(98)||CHR(98)||CHR(98),15)||'

aYlNlfdX Oct. 14, 2023, 2:07 a.m.

1'"

aYlNlfdX Oct. 14, 2023, 2:07 a.m.

@@f9d9B

aYlNlfdX Oct. 14, 2023, 2:15 a.m.

0'XOR(if(now()=sysdate(),sleep(15),0))XOR'Z

aYlNlfdX Oct. 14, 2023, 2:15 a.m.

0"XOR(if(now()=sysdate(),sleep(15),0))XOR"Z

aYlNlfdX Oct. 14, 2023, 2:18 a.m.

1*DBMS_PIPE.RECEIVE_MESSAGE(CHR(99)||CHR(99)||CHR(99),15)

aYlNlfdX Oct. 14, 2023, 2:18 a.m.

1'||DBMS_PIPE.RECEIVE_MESSAGE(CHR(98)||CHR(98)||CHR(98),15)||'

aYlNlfdX Oct. 14, 2023, 2:18 a.m.

1'"

aYlNlfdX Oct. 14, 2023, 2:18 a.m.

@@wAHoj

aYlNlfdX Oct. 14, 2023, 2:28 a.m.

-1 OR 2+317-317-1=0+0+0+1 --

aYlNlfdX Oct. 14, 2023, 2:28 a.m.

-1 OR 2+978-978-1=0+0+0+1

aYlNlfdX Oct. 14, 2023, 2:28 a.m.

-1' OR 2+324-324-1=0+0+0+1 --

aYlNlfdX Oct. 14, 2023, 2:28 a.m.

-1' OR 2+313-313-1=0+0+0+1 or 'WamYClhj'='

aYlNlfdX Oct. 14, 2023, 2:28 a.m.

-1" OR 2+178-178-1=0+0+0+1 --

aYlNlfdX Oct. 14, 2023, 2:29 a.m.

if(now()=sysdate(),sleep(15),0)

aYlNlfdX Oct. 14, 2023, 2:29 a.m.

0'XOR(if(now()=sysdate(),sleep(15),0))XOR'Z

aYlNlfdX Oct. 14, 2023, 2:29 a.m.

0"XOR(if(now()=sysdate(),sleep(15),0))XOR"Z

aYlNlfdX Oct. 14, 2023, 2:29 a.m.

(select(0)from(select(sleep(15)))v)/*'+(select(0)from(select(sleep(15)))v)+'"+(select(0)from(select(sleep(15)))v)+"*/

aYlNlfdX Oct. 14, 2023, 2:30 a.m.

-1; waitfor delay '0:0:15' --

aYlNlfdX Oct. 14, 2023, 2:30 a.m.

-1); waitfor delay '0:0:15' --

aYlNlfdX Oct. 14, 2023, 2:30 a.m.

1 waitfor delay '0:0:15' --

aYlNlfdX Oct. 14, 2023, 2:30 a.m.

YMtHwz63'; waitfor delay '0:0:15' --

aYlNlfdX Oct. 14, 2023, 2:31 a.m.

-5 OR 540=(SELECT 540 FROM PG_SLEEP(15))--

aYlNlfdX Oct. 14, 2023, 2:31 a.m.

-5) OR 339=(SELECT 339 FROM PG_SLEEP(15))--

aYlNlfdX Oct. 14, 2023, 2:31 a.m.

-1)) OR 867=(SELECT 867 FROM PG_SLEEP(15))--

aYlNlfdX Oct. 14, 2023, 2:32 a.m.

FZ49gRjk' OR 230=(SELECT 230 FROM PG_SLEEP(15))--

aYlNlfdX Oct. 14, 2023, 2:32 a.m.

79wVSaDF') OR 676=(SELECT 676 FROM PG_SLEEP(15))--

aYlNlfdX Oct. 14, 2023, 2:32 a.m.

qUouiBgX')) OR 210=(SELECT 210 FROM PG_SLEEP(15))--

aYlNlfdX Oct. 14, 2023, 2:32 a.m.

1*DBMS_PIPE.RECEIVE_MESSAGE(CHR(99)||CHR(99)||CHR(99),15)

aYlNlfdX Oct. 14, 2023, 2:33 a.m.

1'||DBMS_PIPE.RECEIVE_MESSAGE(CHR(98)||CHR(98)||CHR(98),15)||'

aYlNlfdX Oct. 14, 2023, 2:33 a.m.

1'"

aYlNlfdX Oct. 14, 2023, 2:33 a.m.

@@pREHo

nZkkAbWB Jan. 22, 2024, 2:43 p.m.

-5 OR 747=(SELECT 747 FROM PG_SLEEP(15))--

nZkkAbWB Jan. 22, 2024, 2:44 p.m.

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

12345'"\'\");|]*%00{%0d%0a<%00>%bf%27'💡

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

)

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

!(()&&!|*|*|

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

^(#$!@#$)(()))******

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

http://dicrpdbjmemujemfyopp.zzz/yrphmgdpgulaszriylqiipemefmacafkxycjaxjs%3F.jpg

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

1yrphmgdpgulaszriylqiipemefmacafkxycjaxjs%00.jpg

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

Http://bxss.me/t/fit.txt

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

http://bxss.me/t/fit.txt%3F.jpg

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

/etc/shells

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

c:/windows/win.ini

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

bxss.me

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

1'"()&%<zzz><ScRiPt >XOwp(9703)</ScRiPt>

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

'"()&%<zzz><ScRiPt >XOwp(9242)</ScRiPt>

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

../../../../../../../../../../../../../../etc/passwd

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

../../../../../../../../../../../../../../windows/win.ini

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

file:///etc/passwd

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

../1

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

19934611

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

bfg8108%EF%BC%9Cs1%EF%B9%A5s2%CA%BAs3%CA%B9hjl8108

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

bfgx5908%C0%BEz1%C0%BCz2a%90bcxhjl5908

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

<%={{={@{#{${dfb}}%>

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

<th:t="${dfb}#foreach

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

1}}"}}'}}1%>"%>'%><%={{={@{#{${dfb}}%>

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

dfb{{98991*97996}}xca

nZkkAbWB Jan. 22, 2024, 2:47 p.m.

dfb[[${98991*97996}]]xca

nZkkAbWB Jan. 22, 2024, 2:48 p.m.

dt5oQhws'; waitfor delay '0:0:15' --

nZkkAbWB Jan. 22, 2024, 2:48 p.m.

-5 OR 585=(SELECT 585 FROM PG_SLEEP(15))--

nZkkAbWB Jan. 22, 2024, 2:49 p.m.

-5) OR 318=(SELECT 318 FROM PG_SLEEP(15))--

nZkkAbWB Jan. 22, 2024, 2:49 p.m.

-1)) OR 940=(SELECT 940 FROM PG_SLEEP(15))--