在不调用机器学习库的情况下，使用神经网络模型来预测一个花所属的种类。
2. 作业已完成部分和未完成部分该作业已经全部完成，没有未完成的部分。全部代码我已经放在GitHub上和colab上了，可以点击下面的链接进行跳转。
GitHub For DNNColab For DNN 3. 作业运行结果截图最后得出使用深度神经网络的模型预测的准确率为 95.555 % 95.555\% 95.555%
4. 核心代码和步骤 4.1 第一步将数据集读入 4.1.1 原始的数据集 data.txt 部分截图：稍微进行改动一下（添加了属性列并将格式转换为.csv）
4.1.2 修改后的数据集 data.csv 部分截图 4.1.3 将 data.csv 读入并且将其存入标识符 df 中，定义数据集的筛选条件 expr_1;expr_2;expr_3 expr_1: 用于赛选 Category 属性列为 iris-setosa 的类 sql 语句expr_2: 用于赛选 Category 属性列为 Iris-versicolor 的类 sql 语句expr_3: 用于赛选 Category 属性列为 Iris-virginica 的类 sql 语句 用上面定义的筛选条件筛选出数据集中三个类别的数据，并分别存入对应的标识符中。Iris_setosa_dataframe：所属类别为 Iris-setosa 的全部数据Iris_versicolor_dataframe：所属类别为 Iris-versicolor 的全部数据Iris_virginica_dataframe：所属类别为 Iris-virginica 的全部数据 4.1.4 代码部分In[1]:
import pandas as pddf = pd.read_csv("data.csv") # 读取全部列表数据expr_1 = "Category == 'Iris-setosa'" # 用于赛选Category属性列为iris-setosa的类sql语句expr_2 = "Category == 'Iris-versicolor'" # 用于赛选Category属性列为Iris-versicolor的类sql语句expr_3 = "Category == 'Iris-virginica'" # 用于赛选Category属性列为Iris-virginica的类sql语句Iris_setosa_dataframe = df.query(expr_1)Iris_versicolor_dataframe = df.query(expr_2)Iris_virginica_dataframe = df.query(expr_3)print("Iris_setosa_dataframe is:\n",Iris_setosa_dataframe)print("Iris_versicolor_dataframe is\n",Iris_versicolor_dataframe)print("Iris_virginica_dataframe is\n",Iris_virginica_dataframe)out[1]:
Iris_setosa_dataframe is:Sepal.Length Sepal.Width Petal.Length Petal.Width Category0 5.1 3.5 1.4 0.2 Iris-setosa1 4.9 3.0 1.4 0.2 Iris-setosa2 4.7 3.2 1.3 0.2 Iris-setosa3 4.6 3.1 1.5 0.2 Iris-setosa4 5.0 3.6 1.4 0.2 Iris-setosa5 5.4 3.9 1.7 0.4 Iris-setosa6 4.6 3.4 1.4 0.3 Iris-setosa7 5.0 3.4 1.5 0.2 Iris-setosa8 4.4 2.9 1.4 0.2 Iris-setosa9 4.9 3.1 1.5 0.1 Iris-setosa10 5.4 3.7 1.5 0.2 Iris-setosa11 4.8 3.4 1.6 0.2 Iris-setosa12 4.8 3.0 1.4 0.1 Iris-setosa13 4.3 3.0 1.1 0.1 Iris-setosa14 5.8 4.0 1.2 0.2 Iris-setosa15 5.7 4.4 1.5 0.4 Iris-setosa16 5.4 3.9 1.3 0.4 Iris-setosa17 5.1 3.5 1.4 0.3 Iris-setosa18 5.7 3.8 1.7 0.3 Iris-setosa19 5.1 3.8 1.5 0.3 Iris-setosa20 5.4 3.4 1.7 0.2 Iris-setosa21 5.1 3.7 1.5 0.4 Iris-setosa22 4.6 3.6 1.0 0.2 Iris-setosa23 5.1 3.3 1.7 0.5 Iris-setosa24 4.8 3.4 1.9 0.2 Iris-setosa25 5.0 3.0 1.6 0.2 Iris-setosa26 5.0 3.4 1.6 0.4 Iris-setosa27 5.2 3.5 1.5 0.2 Iris-setosa28 5.2 3.4 1.4 0.2 Iris-setosa29 4.7 3.2 1.6 0.2 Iris-setosa30 4.8 3.1 1.6 0.2 Iris-setosa31 5.4 3.4 1.5 0.4 Iris-setosa32 5.2 4.1 1.5 0.1 Iris-setosa33 5.5 4.2 1.4 0.2 Iris-setosa34 4.9 3.1 1.5 0.1 Iris-setosa35 5.0 3.2 1.2 0.2 Iris-setosa36 5.5 3.5 1.3 0.2 Iris-setosa37 4.9 3.1 1.5 0.1 Iris-setosa38 4.4 3.0 1.3 0.2 Iris-setosa39 5.1 3.4 1.5 0.2 Iris-setosa40 5.0 3.5 1.3 0.3 Iris-setosa41 4.5 2.3 1.3 0.3 Iris-setosa42 4.4 3.2 1.3 0.2 Iris-setosa43 5.0 3.5 1.6 0.6 Iris-setosa44 5.1 3.8 1.9 0.4 Iris-setosa45 4.8 3.0 1.4 0.3 Iris-setosa46 5.1 3.8 1.6 0.2 Iris-setosa47 4.6 3.2 1.4 0.2 Iris-setosa48 5.3 3.7 1.5 0.2 Iris-setosa49 5.0 3.3 1.4 0.2 Iris-setosaIris_versicolor_dataframe isSepal.Length Sepal.Width Petal.Length Petal.Width Category50 7.0 3.2 4.7 1.4 Iris-versicolor51 6.4 3.2 4.5 1.5 Iris-versicolor52 6.9 3.1 4.9 1.5 Iris-versicolor53 5.5 2.3 4.0 1.3 Iris-versicolor54 6.5 2.8 4.6 1.5 Iris-versicolor55 5.7 2.8 4.5 1.3 Iris-versicolor56 6.3 3.3 4.7 1.6 Iris-versicolor57 4.9 2.4 3.3 1.0 Iris-versicolor58 6.6 2.9 4.6 1.3 Iris-versicolor59 5.2 2.7 3.9 1.4 Iris-versicolor60 5.0 2.0 3.5 1.0 Iris-versicolor61 5.9 3.0 4.2 1.5 Iris-versicolor62 6.0 2.2 4.0 1.0 Iris-versicolor63 6.1 2.9 4.7 1.4 Iris-versicolor64 5.6 2.9 3.6 1.3 Iris-versicolor65 6.7 3.1 4.4 1.4 Iris-versicolor66 5.6 3.0 4.5 1.5 Iris-versicolor67 5.8 2.7 4.1 1.0 Iris-versicolor68 6.2 2.2 4.5 1.5 Iris-versicolor69 5.6 2.5 3.9 1.1 Iris-versicolor70 5.9 3.2 4.8 1.8 Iris-versicolor71 6.1 2.8 4.0 1.3 Iris-versicolor72 6.3 2.5 4.9 1.5 Iris-versicolor73 6.1 2.8 4.7 1.2 Iris-versicolor74 6.4 2.9 4.3 1.3 Iris-versicolor75 6.6 3.0 4.4 1.4 Iris-versicolor76 6.8 2.8 4.8 1.4 Iris-versicolor77 6.7 3.0 5.0 1.7 Iris-versicolor78 6.0 2.9 4.5 1.5 Iris-versicolor79 5.7 2.6 3.5 1.0 Iris-versicolor80 5.5 2.4 3.8 1.1 Iris-versicolor81 5.5 2.4 3.7 1.0 Iris-versicolor82 5.8 2.7 3.9 1.2 Iris-versicolor83 6.0 2.7 5.1 1.6 Iris-versicolor84 5.4 3.0 4.5 1.5 Iris-versicolor85 6.0 3.4 4.5 1.6 Iris-versicolor86 6.7 3.1 4.7 1.5 Iris-versicolor87 6.3 2.3 4.4 1.3 Iris-versicolor88 5.6 3.0 4.1 1.3 Iris-versicolor89 5.5 2.5 4.0 1.3 Iris-versicolor90 5.5 2.6 4.4 1.2 Iris-versicolor91 6.1 3.0 4.6 1.4 Iris-versicolor92 5.8 2.6 4.0 1.2 Iris-versicolor93 5.0 2.3 3.3 1.0 Iris-versicolor94 5.6 2.7 4.2 1.3 Iris-versicolor95 5.7 3.0 4.2 1.2 Iris-versicolor96 5.7 2.9 4.2 1.3 Iris-versicolor97 6.2 2.9 4.3 1.3 Iris-versicolor98 5.1 2.5 3.0 1.1 Iris-versicolor99 5.7 2.8 4.1 1.3 Iris-versicolorIris_virginica_dataframe isSepal.Length Sepal.Width Petal.Length Petal.Width Category100 6.3 3.3 6.0 2.5 Iris-virginica101 5.8 2.7 5.1 1.9 Iris-virginica102 7.1 3.0 5.9 2.1 Iris-virginica103 6.3 2.9 5.6 1.8 Iris-virginica104 6.5 3.0 5.8 2.2 Iris-virginica105 7.6 3.0 6.6 2.1 Iris-virginica106 4.9 2.5 4.5 1.7 Iris-virginica107 7.3 2.9 6.3 1.8 Iris-virginica108 6.7 2.5 5.8 1.8 Iris-virginica109 7.2 3.6 6.1 2.5 Iris-virginica110 6.5 3.2 5.1 2.0 Iris-virginica111 6.4 2.7 5.3 1.9 Iris-virginica112 6.8 3.0 5.5 2.1 Iris-virginica113 5.7 2.5 5.0 2.0 Iris-virginica114 5.8 2.8 5.1 2.4 Iris-virginica115 6.4 3.2 5.3 2.3 Iris-virginica116 6.5 3.0 5.5 1.8 Iris-virginica117 7.7 3.8 6.7 2.2 Iris-virginica118 7.7 2.6 6.9 2.3 Iris-virginica119 6.0 2.2 5.0 1.5 Iris-virginica120 6.9 3.2 5.7 2.3 Iris-virginica121 5.6 2.8 4.9 2.0 Iris-virginica122 7.7 2.8 6.7 2.0 Iris-virginica123 6.3 2.7 4.9 1.8 Iris-virginica124 6.7 3.3 5.7 2.1 Iris-virginica125 7.2 3.2 6.0 1.8 Iris-virginica126 6.2 2.8 4.8 1.8 Iris-virginica127 6.1 3.0 4.9 1.8 Iris-virginica128 6.4 2.8 5.6 2.1 Iris-virginica129 7.2 3.0 5.8 1.6 Iris-virginica130 7.4 2.8 6.1 1.9 Iris-virginica131 7.9 3.8 6.4 2.0 Iris-virginica132 6.4 2.8 5.6 2.2 Iris-virginica133 6.3 2.8 5.1 1.5 Iris-virginica134 6.1 2.6 5.6 1.4 Iris-virginica135 7.7 3.0 6.1 2.3 Iris-virginica136 6.3 3.4 5.6 2.4 Iris-virginica137 6.4 3.1 5.5 1.8 Iris-virginica138 6.0 3.0 4.8 1.8 Iris-virginica139 6.9 3.1 5.4 2.1 Iris-virginica140 6.7 3.1 5.6 2.4 Iris-virginica141 6.9 3.1 5.1 2.3 Iris-virginica142 5.8 2.7 5.1 1.9 Iris-virginica143 6.8 3.2 5.9 2.3 Iris-virginica144 6.7 3.3 5.7 2.5 Iris-virginica145 6.7 3.0 5.2 2.3 Iris-virginica146 6.3 2.5 5.0 1.9 Iris-virginica147 6.5 3.0 5.2 2.0 Iris-virginica148 6.2 3.4 5.4 2.3 Iris-virginica149 5.9 3.0 5.1 1.8 Iris-virginica 4.2 第二步数据集按照测试集和训练集分类 人为规定训练集占比 0.7，数据集为 0.3 下面将定义一个名为 `get_train_and_test_dataframe` 的函数，并返回训练集和测试集的 DataFrame。In[2]:
total_record, attribute_rows = df.shape # 获取总记录条数和其属性列train_data_rate = 0.7 # 训练集占数据集的比例，即70%test_data_rate = 1 - train_data_rate # 测试集与训练集为互补集def get_train_and_test_dataframe(df1, df2, df3, train_data_rate):train_df = pd.DataFrame() # 创建一个空的dataframetest_df = pd.DataFrame() # 创建一个空的dataframedf_array = [df1, df2, df3] # 将各个df子集存入一个列表用于变量for i in range(3):item_df_record_num, _ = df_array[i].shape # 获取每个df子集的记录总条数item_df_train_record_num = int(item_df_record_num* train_data_rate) # 计算每个df子集的训练数据总记录条数# 随机从df子集中抽取数量为 itemDf_trainRecordNum 的记录作为训练集train_records = df_array[i].sample(item_df_train_record_num)# 子集中除去被选出为测试集的其余记录作为测试集test_records = df_array[i][~df_array[i].index.isin(train_records.index)]# 将每个子集中的训练集添加到trainDf中train_df = pd.concat([train_df, train_records])# 将每个子集中的测试集添加到testDf中test_df = pd.concat([test_df, test_records])return train_df, test_dfIn[3]:
train_data, test_data = get_train_and_test_dataframe(Iris_setosa_dataframe, Iris_versicolor_dataframe, Iris_virginica_dataframe, train_data_rate) 4.3 第三步定义深度神经网络和其所需的函数法 4.3.1 简介 该深度神经网络具有两个隐藏层，这两个隐藏层的大小分别为 5 和 4除此之外输入层有四个特征值，输出层有三个输出类别，大致过程为：用训练集来训练各层的权重 w 和偏移常量 b，单次训练的大小是整个训练集的大小即 105*5, 训练完成后使用测试集的单个测试记录来进行模型评估。整个该深度神经网络的形状如下图所示。
4.3.2 作用能够通过输入层输入的四个特征值，经过已经训练好的参数进行一层一层的传播，从而在输出 层输出一个所属各个类别概率的列表。
4.3.3 接口说明需要传入下面几个参数:
X_train: 训练集的特征集Y_train: 训练集的结果集（所属类别的哑变量）hidden_sizes: 隐藏层的层数以及其对应大小num_epochs: 训练次数learning_rate：学习效率 4.3.4 返回参数说明 trained_parameters：已经训练好的参数loss_history：损失函数的变化历史 4.3.5 代码部分In[4]:
import numpy as npimport pandas as pdimport matplotlib.pyplot as plt# 定义激活函数sigomiddef sigmoid(z):return 1 / (1 + np.exp(-z))# 定义softmax函数def softmax(z):exp_z = np.exp(z - np.max(z, axis=1, keepdims=True))return exp_z / np.sum(exp_z, axis=1, keepdims=True)# 初始化参数def initialize_parameters(input_size, hidden_sizes, output_size):sizes = [input_size] + hidden_sizes + [output_size] # 使用列表拼接，将输入层的大小，隐藏层大小列表，输出层大小全部放入一个列表里parameters = {} # 定义一个空的参数字典for i in range(1, len(sizes)): # 从1循环到sizes的大小减一parameters['W' + str(i)] = np.random.randn(sizes[i-1], sizes[i]) * 0.01 # 随机生成每层的权重矩阵parameters['b' + str(i)] = np.zeros((1, sizes[i])) # 初始化每层的偏移矩阵return parameters# 前向传播def forward_propagation(X, parameters):cache = {'A0': X}# print("init cache:", cache)for i in range(1, len(parameters)//2):cache['Z' + str(i)] = np.dot(cache['A' + str(i-1)], parameters['W' + str(i)]) + parameters['b' + str(i)]cache['A' + str(i)] = sigmoid(cache['Z' + str(i)])# 输出层不使用sigmoid激活函数cache['A' + str(len(parameters)//2)] = np.dot(cache['A' + str(len(parameters)//2 - 1)], parameters['W' + str(len(parameters)//2)]) + parameters['b' + str(len(parameters)//2)]cache['O' + str(len(parameters)//2)] = softmax(cache['A' + str(len(parameters)//2)])# print('final cache:', cache)return cache# 计算交叉熵损失def compute_loss(Y, Y_hat):m = Y.shape[0] # 获取Y的样本数epsilon = 1e-8 # 微小常数，用于数值稳定性，防止出现0的情况loss = -1/m * np.sum(Y * np.log(Y_hat + epsilon)) # 将总损失除以样本数m，得到平均损失。负号表示最小化损失。return loss# 反向传播def backward_propagation(X, Y, parameters, cache):m = X.shape[0] # 获取样本数grads = {} # 初始化梯度字典# 计算输出层的梯度dZ_last = cache['O' + str(len(parameters)//2)] - Y # 计算输出层激活值的梯度grads['dW' + str(len(parameters)//2)] = 1/m * np.dot(cache['A' + str(len(parameters)//2 - 1)].T, dZ_last) # 计算输出层权重的梯度grads['db' + str(len(parameters)//2)] = 1/m * np.sum(dZ_last, axis=0, keepdims=True) # 计算输出层偏差的梯度dZ = dZ_last # 初始化激活值梯度# 循环计算隐藏层的梯度for i in range(len(parameters)//2, 1, -1):dA = np.dot(dZ, parameters['W' + str(i)].T) # 计算上一层激活值的梯度dZ = dA * cache['A' + str(i-1)] * (1 - cache['A' + str(i-1)]) # 计算当前层激活值的梯度grads['dW' + str(i-1)] = 1/m * np.dot(cache['A' + str(i-2)].T, dZ) # 计算当前层权重的梯度grads['db' + str(i-1)] = 1/m * np.sum(dZ, axis=0, keepdims=True) # 计算当前层偏差的梯度return grads # 返回计算得到的梯度字典# 更新参数def update_parameters(parameters, grads, learning_rate):for i in range(1, len(parameters)//2 + 1):parameters['W' + str(i)] -= learning_rate * grads['dW' + str(i)]parameters['b' + str(i)] -= learning_rate * grads['db' + str(i)]return parameters# 模型训练def train_neural_network(X, Y, hidden_sizes, num_epochs, learning_rate=0.01):input_size = X.shape[1] # 训练集的特征数量（有多少个属性列）output_size = Y.shape[1] # 期望输出（预测）的所属类型的个数（有多少个类型）parameters = initialize_parameters(input_size, hidden_sizes, output_size) # 初始化权重w和偏移量bloss_history = [] # 定义空列表来记录损失函数的状态for epoch in range(num_epochs):# 前向传播cache = forward_propagation(X, parameters)Y_hat = cache['O' + str(len(parameters)//2)]# 计算损失loss = compute_loss(Y, Y_hat)loss_history.append(loss)# 反向传播grads = backward_propagation(X, Y, parameters, cache)# 更新参数parameters = update_parameters(parameters, grads, learning_rate)# 打印损失if epoch % 2000 == 0:print(f'Epoch {epoch}, Loss: {loss}')return parameters, loss_history 4.4 第四步定义验证和打印函数 4.4.1 简介verify函数是每次循环测试记录时需要调用的，可以用来打印结果和验证是否预测正确。
4.4.2 入口参数说明 index：测试记录在数据集中的索引p_catagory：该测试记录经过贝叶斯分类后返回的结果（属于各类别的概率）real_category：该测试记录真实所属类别record_num：已经遍历测试记录的数量correct_num：已经遍历测试记录并且预测结果为正确的数量correct_rate：该模型的正确率 4.4.3 返回参数说明 correct_num：同上correct_rate：同上 4.4.4 代码部分In[5]:
def verify(index, p_catagory, real_category, record_num, correct_num, correct_rate):print("测试结果已出，该测试记录所属类别的概率为\n",p_category) # 打印该记录所对应类别的概率max_probability = max(p_category.values()) # 获取最大的概率值for key, key_value in p_category.items(): # 寻找概率最大的类别if key_value == max_probability: ## 找到概率最大的类别print(f"第{index}记录的预测最可能的所属类别为:{key}")print(f"第{index}记录的真实属性为:{real_category}")if key == real_category: ## 查看预测的类别和真实的类别是否一样correct_num = correct_num + 1 # 若一样则correct_num++print("-------------------------")correct_rate = correct_num / record_num # 计算新的正确率return correct_num, correct_rate 4.5 第五步将训练集数据放入深度神经网络中训练In[6]:
# 提取训练集特征和标签X_train = train_data.iloc[:, :-1].valuesY_train = pd.get_dummies(train_data['Category']).values# 训练神经网络trained_parameters, loss_history = train_neural_network(X_train, Y_train, hidden_sizes=[5, 4], num_epochs=100000, learning_rate=0.09)# 展示loss的折线图plt.plot(loss_history)plt.title('Loss Over Epochs')plt.xlabel('Epoch')plt.ylabel('Loss')plt.show()out[6]:
Epoch 0, Loss: 1.0986374636813678Epoch 2000, Loss: 1.0986098115977763Epoch 4000, Loss: 1.0985974991821654Epoch 6000, Loss: 1.0979638994470924Epoch 8000, Loss: 0.3051250142896731Epoch 10000, Loss: 0.09047674524698732Epoch 12000, Loss: 0.06427539824439313Epoch 14000, Loss: 0.05738894582331716Epoch 16000, Loss: 0.05422622522965926Epoch 18000, Loss: 0.052323171513319895Epoch 20000, Loss: 0.050989527225192836Epoch 22000, Loss: 0.04995500647173487Epoch 24000, Loss: 0.04908545311867662Epoch 26000, Loss: 0.048302169206777316Epoch 28000, Loss: 0.04755683502388777Epoch 30000, Loss: 0.04682381035782021Epoch 32000, Loss: 0.04609479360679712Epoch 34000, Loss: 0.045371734234237376Epoch 36000, Loss: 0.04466000953822288Epoch 38000, Loss: 0.043963956316713244Epoch 40000, Loss: 0.04328524335321981Epoch 42000, Loss: 0.042623351179843484Epoch 44000, Loss: 0.041976754101067736Epoch 46000, Loss: 0.04134382847704943Epoch 48000, Loss: 0.040723316848883334Epoch 50000, Loss: 0.040114532246993004Epoch 52000, Loss: 0.03951746513256648Epoch 54000, Loss: 0.03893284700966053Epoch 56000, Loss: 0.038362146671127625Epoch 58000, Loss: 0.0378074459549261Epoch 60000, Loss: 0.037271164594935534Epoch 62000, Loss: 0.03675567096214186Epoch 64000, Loss: 0.036262888491245114Epoch 66000, Loss: 0.0357940258522333Epoch 68000, Loss: 0.03534949830432913Epoch 70000, Loss: 0.03492901608330322Epoch 72000, Loss: 0.034531761988498534Epoch 74000, Loss: 0.034156583734556774Epoch 76000, Loss: 0.033802158226160436Epoch 78000, Loss: 0.03346711379140615Epoch 80000, Loss: 0.03315011215846706Epoch 82000, Loss: 0.03284989755621375Epoch 84000, Loss: 0.03256532097901557Epoch 86000, Loss: 0.03229534661051307Epoch 88000, Loss: 0.03219234060425748Epoch 90000, Loss: 0.03201415844578465Epoch 92000, Loss: 0.03182184539911233Epoch 94000, Loss: 0.03163239691494281Epoch 96000, Loss: 0.031446408554093044Epoch 98000, Loss: 0.031264326953139694 4.6 第六步将测试集数据放入神经网络中验证是否正确In[7]:
# 提取测试集特征和标签X_test = test_data.iloc[:, :-1].valuesY_test = pd.get_dummies(test_data['Category']).values# 初始化参数correct_rate = 0correct_num = 0record_num = 0class_labels = ['Iris-setosa', 'Iris-versicolor', 'Iris-virginica']for index, record in test_data.iterrows():record_num = record_num + 1 # 所遍历的测试记录条数+1Category = record['Category'] # 获取当前测试记录的真实所属类别print(f'记录:{index}, 所属类别:{Category}')record_x = [record['Sepal.Length'], record['Sepal.Width'], record['Petal.Length'], record['Petal.Width']] # 将当前测试记录的所有特征值合并成一个列表print(record_x)record_x_cache = forward_propagation(record_x, trained_parameters) # 调用深度神经网络进行测试，返回一个字典result_y = record_x_cache['O' + str(len(trained_parameters)//2)][0] # 用result_y来接收输出层的数据，具体形式是一个概率数组p_category = {label: value for label, value in zip(class_labels, result_y)} # 将概率数组拓广到字典，即原本的概率列表变成一个概率字典（键值对）print(p_category)correct_num, correct_rate = verify(index, p_category, Category, record_num, correct_num, correct_rate) # 更新正确条数和正确率print(f'该模型的预测准确率为:{correct_rate}')out[7]:
记录:9, 所属类别:Iris-setosa[4.9, 3.1, 1.5, 0.1]{'Iris-setosa': 0.9994073024809125, 'Iris-versicolor': 0.0005926974101059076, 'Iris-virginica': 1.089814284856423e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9994073024809125, 'Iris-versicolor': 0.0005926974101059076, 'Iris-virginica': 1.089814284856423e-10}第9记录的预测最可能的所属类别为:Iris-setosa第9记录的真实属性为:Iris-setosa-------------------------记录:10, 所属类别:Iris-setosa[5.4, 3.7, 1.5, 0.2]{'Iris-setosa': 0.9994194567509896, 'Iris-versicolor': 0.0005805431416654768, 'Iris-virginica': 1.0734484569031509e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9994194567509896, 'Iris-versicolor': 0.0005805431416654768, 'Iris-virginica': 1.0734484569031509e-10}第10记录的预测最可能的所属类别为:Iris-setosa第10记录的真实属性为:Iris-setosa-------------------------记录:13, 所属类别:Iris-setosa[4.3, 3.0, 1.1, 0.1]{'Iris-setosa': 0.9994344552564192, 'Iris-versicolor': 0.0005655446415884805, 'Iris-virginica': 1.0199248245814307e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9994344552564192, 'Iris-versicolor': 0.0005655446415884805, 'Iris-virginica': 1.0199248245814307e-10}第13记录的预测最可能的所属类别为:Iris-setosa第13记录的真实属性为:Iris-setosa-------------------------记录:14, 所属类别:Iris-setosa[5.8, 4.0, 1.2, 0.2]{'Iris-setosa': 0.9993839003436563, 'Iris-versicolor': 0.0006160995360430794, 'Iris-virginica': 1.203005937453023e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9993839003436563, 'Iris-versicolor': 0.0006160995360430794, 'Iris-virginica': 1.203005937453023e-10}第14记录的预测最可能的所属类别为:Iris-setosa第14记录的真实属性为:Iris-setosa-------------------------记录:15, 所属类别:Iris-setosa[5.7, 4.4, 1.5, 0.4]{'Iris-setosa': 0.9993971683516336, 'Iris-versicolor': 0.0006028315327860123, 'Iris-virginica': 1.1558054531504385e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9993971683516336, 'Iris-versicolor': 0.0006028315327860123, 'Iris-virginica': 1.1558054531504385e-10}第15记录的预测最可能的所属类别为:Iris-setosa第15记录的真实属性为:Iris-setosa-------------------------记录:16, 所属类别:Iris-setosa[5.4, 3.9, 1.3, 0.4]{'Iris-setosa': 0.9993562667737085, 'Iris-versicolor': 0.0006437330976151712, 'Iris-virginica': 1.28676261460329e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9993562667737085, 'Iris-versicolor': 0.0006437330976151712, 'Iris-virginica': 1.28676261460329e-10}第16记录的预测最可能的所属类别为:Iris-setosa第16记录的真实属性为:Iris-setosa-------------------------记录:23, 所属类别:Iris-setosa[5.1, 3.3, 1.7, 0.5]{'Iris-setosa': 0.9992156354832021, 'Iris-versicolor': 0.000784364351532988, 'Iris-virginica': 1.652649064805943e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9992156354832021, 'Iris-versicolor': 0.000784364351532988, 'Iris-virginica': 1.652649064805943e-10}第23记录的预测最可能的所属类别为:Iris-setosa第23记录的真实属性为:Iris-setosa-------------------------记录:26, 所属类别:Iris-setosa[5.0, 3.4, 1.6, 0.4]{'Iris-setosa': 0.9993422506434927, 'Iris-versicolor': 0.0006577492281176229, 'Iris-virginica': 1.2838960352069869e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9993422506434927, 'Iris-versicolor': 0.0006577492281176229, 'Iris-virginica': 1.2838960352069869e-10}第26记录的预测最可能的所属类别为:Iris-setosa第26记录的真实属性为:Iris-setosa-------------------------记录:28, 所属类别:Iris-setosa[5.2, 3.4, 1.4, 0.2]{'Iris-setosa': 0.9994022919498919, 'Iris-versicolor': 0.0005977079379210146, 'Iris-virginica': 1.1218683099221791e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9994022919498919, 'Iris-versicolor': 0.0005977079379210146, 'Iris-virginica': 1.1218683099221791e-10}第28记录的预测最可能的所属类别为:Iris-setosa第28记录的真实属性为:Iris-setosa-------------------------记录:37, 所属类别:Iris-setosa[4.9, 3.1, 1.5, 0.1]{'Iris-setosa': 0.9994073024809125, 'Iris-versicolor': 0.0005926974101059076, 'Iris-virginica': 1.089814284856423e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9994073024809125, 'Iris-versicolor': 0.0005926974101059076, 'Iris-virginica': 1.089814284856423e-10}第37记录的预测最可能的所属类别为:Iris-setosa第37记录的真实属性为:Iris-setosa-------------------------记录:41, 所属类别:Iris-setosa[4.5, 2.3, 1.3, 0.3]{'Iris-setosa': 0.9990698970091187, 'Iris-versicolor': 0.0009301027868999484, 'Iris-virginica': 2.03981361107607e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9990698970091187, 'Iris-versicolor': 0.0009301027868999484, 'Iris-virginica': 2.03981361107607e-10}第41记录的预测最可能的所属类别为:Iris-setosa第41记录的真实属性为:Iris-setosa-------------------------记录:43, 所属类别:Iris-setosa[5.0, 3.5, 1.6, 0.6]{'Iris-setosa': 0.9992318991352795, 'Iris-versicolor': 0.0007681007014263888, 'Iris-virginica': 1.6329400930324945e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9992318991352795, 'Iris-versicolor': 0.0007681007014263888, 'Iris-virginica': 1.6329400930324945e-10}第43记录的预测最可能的所属类别为:Iris-setosa第43记录的真实属性为:Iris-setosa-------------------------记录:44, 所属类别:Iris-setosa[5.1, 3.8, 1.9, 0.4]{'Iris-setosa': 0.9993864980408808, 'Iris-versicolor': 0.0006135018444908369, 'Iris-virginica': 1.146282328612296e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9993864980408808, 'Iris-versicolor': 0.0006135018444908369, 'Iris-virginica': 1.146282328612296e-10}第44记录的预测最可能的所属类别为:Iris-setosa第44记录的真实属性为:Iris-setosa-------------------------记录:45, 所属类别:Iris-setosa[4.8, 3.0, 1.4, 0.3]{'Iris-setosa': 0.9993337339145498, 'Iris-versicolor': 0.0006662659548606306, 'Iris-virginica': 1.3058942609729524e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.9993337339145498, 'Iris-versicolor': 0.0006662659548606306, 'Iris-virginica': 1.3058942609729524e-10}第45记录的预测最可能的所属类别为:Iris-setosa第45记录的真实属性为:Iris-setosa-------------------------记录:46, 所属类别:Iris-setosa[5.1, 3.8, 1.6, 0.2]{'Iris-setosa': 0.999441154585264, 'Iris-versicolor': 0.0005588453143751629, 'Iris-virginica': 1.0036090050646012e-10}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.999441154585264, 'Iris-versicolor': 0.0005588453143751629, 'Iris-virginica': 1.0036090050646012e-10}第46记录的预测最可能的所属类别为:Iris-setosa第46记录的真实属性为:Iris-setosa-------------------------记录:52, 所属类别:Iris-versicolor[6.9, 3.1, 4.9, 1.5]{'Iris-setosa': 0.00034673300859923385, 'Iris-versicolor': 0.9996312297167484, 'Iris-virginica': 2.203727465222196e-05}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.00034673300859923385, 'Iris-versicolor': 0.9996312297167484, 'Iris-virginica': 2.203727465222196e-05}第52记录的预测最可能的所属类别为:Iris-versicolor第52记录的真实属性为:Iris-versicolor-------------------------记录:57, 所属类别:Iris-versicolor[4.9, 2.4, 3.3, 1.0]{'Iris-setosa': 0.0011225847462562426, 'Iris-versicolor': 0.998874153393992, 'Iris-virginica': 3.261859751878275e-06}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.0011225847462562426, 'Iris-versicolor': 0.998874153393992, 'Iris-virginica': 3.261859751878275e-06}第57记录的预测最可能的所属类别为:Iris-versicolor第57记录的真实属性为:Iris-versicolor-------------------------记录:60, 所属类别:Iris-versicolor[5.0, 2.0, 3.5, 1.0]{'Iris-setosa': 0.000699627908179903, 'Iris-versicolor': 0.9992955250491328, 'Iris-virginica': 4.8470426874968965e-06}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.000699627908179903, 'Iris-versicolor': 0.9992955250491328, 'Iris-virginica': 4.8470426874968965e-06}第60记录的预测最可能的所属类别为:Iris-versicolor第60记录的真实属性为:Iris-versicolor-------------------------记录:67, 所属类别:Iris-versicolor[5.8, 2.7, 4.1, 1.0]{'Iris-setosa': 0.0006969336614828119, 'Iris-versicolor': 0.9992982666461563, 'Iris-virginica': 4.799692360888943e-06}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.0006969336614828119, 'Iris-versicolor': 0.9992982666461563, 'Iris-virginica': 4.799692360888943e-06}第67记录的预测最可能的所属类别为:Iris-versicolor第67记录的真实属性为:Iris-versicolor-------------------------记录:70, 所属类别:Iris-versicolor[5.9, 3.2, 4.8, 1.8]{'Iris-setosa': 8.092532228554832e-07, 'Iris-versicolor': 0.04124258002202099, 'Iris-virginica': 0.9587566107247563}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 8.092532228554832e-07, 'Iris-versicolor': 0.04124258002202099, 'Iris-virginica': 0.9587566107247563}第70记录的预测最可能的所属类别为:Iris-virginica第70记录的真实属性为:Iris-versicolor-------------------------记录:75, 所属类别:Iris-versicolor[6.6, 3.0, 4.4, 1.4]{'Iris-setosa': 0.0004904963785951448, 'Iris-versicolor': 0.9995006634330806, 'Iris-virginica': 8.840188324211333e-06}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.0004904963785951448, 'Iris-versicolor': 0.9995006634330806, 'Iris-virginica': 8.840188324211333e-06}第75记录的预测最可能的所属类别为:Iris-versicolor第75记录的真实属性为:Iris-versicolor-------------------------记录:76, 所属类别:Iris-versicolor[6.8, 2.8, 4.8, 1.4]{'Iris-setosa': 0.0003802333354495639, 'Iris-versicolor': 0.9996035606243237, 'Iris-virginica': 1.6206040226774196e-05}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.0003802333354495639, 'Iris-versicolor': 0.9996035606243237, 'Iris-virginica': 1.6206040226774196e-05}第76记录的预测最可能的所属类别为:Iris-versicolor第76记录的真实属性为:Iris-versicolor-------------------------记录:78, 所属类别:Iris-versicolor[6.0, 2.9, 4.5, 1.5]{'Iris-setosa': 0.00021263981498677786, 'Iris-versicolor': 0.9996074531085687, 'Iris-virginica': 0.000179907076444516}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.00021263981498677786, 'Iris-versicolor': 0.9996074531085687, 'Iris-virginica': 0.000179907076444516}第78记录的预测最可能的所属类别为:Iris-versicolor第78记录的真实属性为:Iris-versicolor-------------------------记录:79, 所属类别:Iris-versicolor[5.7, 2.6, 3.5, 1.0]{'Iris-setosa': 0.0014117930910004294, 'Iris-versicolor': 0.9985851980770214, 'Iris-virginica': 3.0088319782903333e-06}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.0014117930910004294, 'Iris-versicolor': 0.9985851980770214, 'Iris-virginica': 3.0088319782903333e-06}第79记录的预测最可能的所属类别为:Iris-versicolor第79记录的真实属性为:Iris-versicolor-------------------------记录:81, 所属类别:Iris-versicolor[5.5, 2.4, 3.7, 1.0]{'Iris-setosa': 0.0008627167806437697, 'Iris-versicolor': 0.9991333416086959, 'Iris-virginica': 3.941610660265416e-06}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.0008627167806437697, 'Iris-versicolor': 0.9991333416086959, 'Iris-virginica': 3.941610660265416e-06}第81记录的预测最可能的所属类别为:Iris-versicolor第81记录的真实属性为:Iris-versicolor-------------------------记录:84, 所属类别:Iris-versicolor[5.4, 3.0, 4.5, 1.5]{'Iris-setosa': 4.914358190106048e-05, 'Iris-versicolor': 0.881793576222092, 'Iris-virginica': 0.11815728019600699}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 4.914358190106048e-05, 'Iris-versicolor': 0.881793576222092, 'Iris-virginica': 0.11815728019600699}第84记录的预测最可能的所属类别为:Iris-versicolor第84记录的真实属性为:Iris-versicolor-------------------------记录:89, 所属类别:Iris-versicolor[5.5, 2.5, 4.0, 1.3]{'Iris-setosa': 0.00043234470441415025, 'Iris-versicolor': 0.999555742853914, 'Iris-virginica': 1.1912441671869986e-05}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.00043234470441415025, 'Iris-versicolor': 0.999555742853914, 'Iris-virginica': 1.1912441671869986e-05}第89记录的预测最可能的所属类别为:Iris-versicolor第89记录的真实属性为:Iris-versicolor-------------------------记录:94, 所属类别:Iris-versicolor[5.6, 2.7, 4.2, 1.3]{'Iris-setosa': 0.00033893326798138754, 'Iris-versicolor': 0.9996339971676897, 'Iris-virginica': 2.7069564329036698e-05}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.00033893326798138754, 'Iris-versicolor': 0.9996339971676897, 'Iris-virginica': 2.7069564329036698e-05}第94记录的预测最可能的所属类别为:Iris-versicolor第94记录的真实属性为:Iris-versicolor-------------------------记录:95, 所属类别:Iris-versicolor[5.7, 3.0, 4.2, 1.2]{'Iris-setosa': 0.00047520993314104494, 'Iris-versicolor': 0.9995150352793134, 'Iris-virginica': 9.754787545568637e-06}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.00047520993314104494, 'Iris-versicolor': 0.9995150352793134, 'Iris-virginica': 9.754787545568637e-06}第95记录的预测最可能的所属类别为:Iris-versicolor第95记录的真实属性为:Iris-versicolor-------------------------记录:99, 所属类别:Iris-versicolor[5.7, 2.8, 4.1, 1.3]{'Iris-setosa': 0.00048434746193381145, 'Iris-versicolor': 0.9995065789295492, 'Iris-virginica': 9.073608517006889e-06}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 0.00048434746193381145, 'Iris-versicolor': 0.9995065789295492, 'Iris-virginica': 9.073608517006889e-06}第99记录的预测最可能的所属类别为:Iris-versicolor第99记录的真实属性为:Iris-versicolor-------------------------记录:101, 所属类别:Iris-virginica[5.8, 2.7, 5.1, 1.9]{'Iris-setosa': 6.230993565240641e-08, 'Iris-versicolor': 0.004904991357197354, 'Iris-virginica': 0.995094946332867}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 6.230993565240641e-08, 'Iris-versicolor': 0.004904991357197354, 'Iris-virginica': 0.995094946332867}第101记录的预测最可能的所属类别为:Iris-virginica第101记录的真实属性为:Iris-virginica-------------------------记录:104, 所属类别:Iris-virginica[6.5, 3.0, 5.8, 2.2]{'Iris-setosa': 3.1285347946103443e-09, 'Iris-versicolor': 0.0004093612664117814, 'Iris-virginica': 0.9995906356050535}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 3.1285347946103443e-09, 'Iris-versicolor': 0.0004093612664117814, 'Iris-virginica': 0.9995906356050535}第104记录的预测最可能的所属类别为:Iris-virginica第104记录的真实属性为:Iris-virginica-------------------------记录:105, 所属类别:Iris-virginica[7.6, 3.0, 6.6, 2.1]{'Iris-setosa': 4.518643270279261e-09, 'Iris-versicolor': 0.0005552351498570809, 'Iris-virginica': 0.9994447603314996}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 4.518643270279261e-09, 'Iris-versicolor': 0.0005552351498570809, 'Iris-virginica': 0.9994447603314996}第105记录的预测最可能的所属类别为:Iris-virginica第105记录的真实属性为:Iris-virginica-------------------------记录:108, 所属类别:Iris-virginica[6.7, 2.5, 5.8, 1.8]{'Iris-setosa': 8.268626469165646e-08, 'Iris-versicolor': 0.006206423895269242, 'Iris-virginica': 0.993793493418466}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 8.268626469165646e-08, 'Iris-versicolor': 0.006206423895269242, 'Iris-virginica': 0.993793493418466}第108记录的预测最可能的所属类别为:Iris-virginica第108记录的真实属性为:Iris-virginica-------------------------记录:111, 所属类别:Iris-virginica[6.4, 2.7, 5.3, 1.9]{'Iris-setosa': 9.976341957164077e-09, 'Iris-versicolor': 0.0010721415234597504, 'Iris-virginica': 0.9989278485001982}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 9.976341957164077e-09, 'Iris-versicolor': 0.0010721415234597504, 'Iris-virginica': 0.9989278485001982}第111记录的预测最可能的所属类别为:Iris-virginica第111记录的真实属性为:Iris-virginica-------------------------记录:117, 所属类别:Iris-virginica[7.7, 3.8, 6.7, 2.2]{'Iris-setosa': 1.3832457944150949e-08, 'Iris-versicolor': 0.0014048982490742054, 'Iris-virginica': 0.9985950879184678}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 1.3832457944150949e-08, 'Iris-versicolor': 0.0014048982490742054, 'Iris-virginica': 0.9985950879184678}第117记录的预测最可能的所属类别为:Iris-virginica第117记录的真实属性为:Iris-virginica-------------------------记录:122, 所属类别:Iris-virginica[7.7, 2.8, 6.7, 2.0]{'Iris-setosa': 1.0114546252578506e-08, 'Iris-versicolor': 0.001083446341577254, 'Iris-virginica': 0.9989165435438766}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 1.0114546252578506e-08, 'Iris-versicolor': 0.001083446341577254, 'Iris-virginica': 0.9989165435438766}第122记录的预测最可能的所属类别为:Iris-virginica第122记录的真实属性为:Iris-virginica-------------------------记录:126, 所属类别:Iris-virginica[6.2, 2.8, 4.8, 1.8]{'Iris-setosa': 1.211053511352366e-06, 'Iris-versicolor': 0.05826189317047926, 'Iris-virginica': 0.9417368957760094}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 1.211053511352366e-06, 'Iris-versicolor': 0.05826189317047926, 'Iris-virginica': 0.9417368957760094}第126记录的预测最可能的所属类别为:Iris-virginica第126记录的真实属性为:Iris-virginica-------------------------记录:128, 所属类别:Iris-virginica[6.4, 2.8, 5.6, 2.1]{'Iris-setosa': 3.5398422692944902e-09, 'Iris-versicolor': 0.0004535013010799169, 'Iris-virginica': 0.9995464951590779}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 3.5398422692944902e-09, 'Iris-versicolor': 0.0004535013010799169, 'Iris-virginica': 0.9995464951590779}第128记录的预测最可能的所属类别为:Iris-virginica第128记录的真实属性为:Iris-virginica-------------------------记录:129, 所属类别:Iris-virginica[7.2, 3.0, 5.8, 1.6]{'Iris-setosa': 2.9681892387650685e-06, 'Iris-versicolor': 0.12000192448513033, 'Iris-virginica': 0.8799951073256309}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 2.9681892387650685e-06, 'Iris-versicolor': 0.12000192448513033, 'Iris-virginica': 0.8799951073256309}第129记录的预测最可能的所属类别为:Iris-virginica第129记录的真实属性为:Iris-virginica-------------------------记录:134, 所属类别:Iris-virginica[6.1, 2.6, 5.6, 1.4]{'Iris-setosa': 5.6707124370751285e-05, 'Iris-versicolor': 0.9231303912341395, 'Iris-virginica': 0.0768129016414897}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 5.6707124370751285e-05, 'Iris-versicolor': 0.9231303912341395, 'Iris-virginica': 0.0768129016414897}第134记录的预测最可能的所属类别为:Iris-versicolor第134记录的真实属性为:Iris-virginica-------------------------记录:135, 所属类别:Iris-virginica[7.7, 3.0, 6.1, 2.3]{'Iris-setosa': 4.027193249103518e-10, 'Iris-versicolor': 7.550066584932601e-05, 'Iris-virginica': 0.9999244989314313}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 4.027193249103518e-10, 'Iris-versicolor': 7.550066584932601e-05, 'Iris-virginica': 0.9999244989314313}第135记录的预测最可能的所属类别为:Iris-virginica第135记录的真实属性为:Iris-virginica-------------------------记录:137, 所属类别:Iris-virginica[6.4, 3.1, 5.5, 1.8]{'Iris-setosa': 8.799431580711186e-07, 'Iris-versicolor': 0.04410462329103846, 'Iris-virginica': 0.9558944967658034}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 8.799431580711186e-07, 'Iris-versicolor': 0.04410462329103846, 'Iris-virginica': 0.9558944967658034}第137记录的预测最可能的所属类别为:Iris-virginica第137记录的真实属性为:Iris-virginica-------------------------记录:142, 所属类别:Iris-virginica[5.8, 2.7, 5.1, 1.9]{'Iris-setosa': 6.230993565240641e-08, 'Iris-versicolor': 0.004904991357197354, 'Iris-virginica': 0.995094946332867}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 6.230993565240641e-08, 'Iris-versicolor': 0.004904991357197354, 'Iris-virginica': 0.995094946332867}第142记录的预测最可能的所属类别为:Iris-virginica第142记录的真实属性为:Iris-virginica-------------------------记录:144, 所属类别:Iris-virginica[6.7, 3.3, 5.7, 2.5]{'Iris-setosa': 3.840864653692801e-10, 'Iris-versicolor': 7.252557578190236e-05, 'Iris-virginica': 0.9999274740401316}测试结果已出，该测试记录所属类别的概率为{'Iris-setosa': 3.840864653692801e-10, 'Iris-versicolor': 7.252557578190236e-05, 'Iris-virginica': 0.9999274740401316}第144记录的预测最可能的所属类别为:Iris-virginica第144记录的真实属性为:Iris-virginica-------------------------该模型的预测准确率为:0.95555555555555565. 结束语
如果有疑问欢迎大家留言讨论，你如果觉得这篇文章对你有帮助可以给我一个免费的赞吗？我们之间的交流是我最大的动力！
