小麦种子数据集和分类样例

一、问题描述

小麦种子数据集（Wheat Seeds Dataset）是一个经典的机器学习数据集，用于分类任务。该数据集由英国农业研究委员会植物育种研究所在20世纪80年代收集，并由K. D. Hill和J. Skerritt在1986年发表。数据集包含了7个特征，用于区分三种不同的小麦品种。该数据集包含属于三种不同小麦品种的种子信息：Kama、Rosa 和 Canadian。它是一个均衡的数据集，每个类别有 70 个实例。种子内部内核结构的测量值是使用软 X 射线技术检测的。

二、数据集内容

为了构建数据，测量了小麦籽粒的七个几何参数：

面积（Area）：种子横截面的面积（单位：平方像素）。
周长（Perimeter）：种子横截面的周长（单位：像素）。
紧凑度（Compactness）：面积与周长的比值。
长度（Kernel Length）：种子核心的长度（单位：像素）。
宽度（Kernel Width）：种子核心的宽度（单位：像素）。
不对称系数（Asymmetry Coefficient）：种子核心的不对称性。
沟槽长度（Groove Length）：种子核心的沟槽长度（单位：像素）。

对小麦籽粒的分类：

Type: 分类1-Kama、2-Rosa 和 3-Canadian

数据样例：

Area	Perimeter	Compactness	Kernel.Length	Kernel.Width	Asymmetry.Coeff	Kernel.Groove	Type
15.26	14.84	0.871	5.763	3.312	2.221	5.22	1
14.88	14.57	0.8811	5.554	3.333	1.018	4.956	1
14.29	14.09	0.905	5.291	3.337	2.699	4.825	1
13.84	13.94	0.8955	5.324	3.379	2.259	4.805	1
16.14	14.99	0.9034	5.658	3.562	1.355	5.175	1
14.38	14.21	0.8951	5.386	3.312	2.462	4.956	1
14.69	14.49	0.8799	5.563	3.259	3.586	5.219	1
16.63	15.46	0.8747	6.053	3.465	2.04	5.877	1
16.44	15.25	0.888	5.884	3.505	1.969	5.533	1
15.26	14.85	0.8696	5.714	3.242	4.543	5.314	1
14.03	14.16	0.8796	5.438	3.201	1.717	5.001	1

三、分类样例

以下是一个简单的Python示例，展示如何使用Pandas和Scikit-learn库加载数据集并进行分类：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
url = './seeds.csv'
data = pd.read_csv(url)

# 分离特征和标签
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练决策树分类器
classifier = DecisionTreeClassifier()
classifier.fit(X_train, y_train)

# 预测测试集
y_pred = classifier.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy * 100:.2f}%')

通过这个示例，您可以了解如何使用小麦种子数据集进行分类任务，并评估模型的性能。

四、获取案例套件

需要登录后才允许下载文件包。登录