Scikit-Learn

Output 
(105, 4) 
(45, 4) 
(105,) 
(45,) 
 
 
 
 

---

Scikit-Learn
7 
As seen in the example above, it uses 
train_test_split()
function of scikit-learn to split 
the dataset. This function has the following arguments: 

X, y
: Here, 
X
is the 
feature matrix
and 
y
is the 
response vector
, which need to 
be split. 

test_size
: This represents the ratio of test data to the total given data. As in the 
above example, we are setting 
test_data = 0.3
for 150 rows of X. It will produce 
test data of 150*0.3 = 45 rows.

random_size
: It is used to guarantee that the split will always be the same. This 
is useful in the situations where you want reproducible results.
Train the Model 
Next, we can use our dataset to train some prediction-model. As discussed, scikit-learn 
has wide range of 
Machine Learning (ML) algorithms
which have a consistent interface 
for fitting, predicting accuracy, recall etc. 
In the example below, we are going to use KNN (K nearest neighbors) classifier. Don’t go 
into the details of KNN algorithms, as there will be a separate chapter for that. This 
example is used to make you understand the implementation part only. 
from sklearn.datasets import load_iris 
iris = load_iris() 
X = iris.data 
y = iris.target 
from sklearn.model_selection import train_test_split 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, 
random_state=1) 
from sklearn.neighbors import KNeighborsClassifier 
from sklearn import metrics 
classifier_knn = KNeighborsClassifier(n_neighbors=3) 

---

Scikit-Learn
8 
classifier_knn.fit(X_train, y_train) 
y_pred = classifier_knn.predict(X_test) 
# Finding accuracy by comparing actual response values(y_test)with predicted 
response value(y_pred) 
print("Accuracy:", metrics.accuracy_score(y_test, y_pred)) 
# Providing sample data and the model will make prediction out of that data 
sample = [[5, 5, 3, 2], [2, 4, 3, 5]] 
preds = classifier_knn.predict(sample) 
pred_species = [iris.target_names[p] for p in preds] print("Predictions:", 
pred_species)