https://github.com/sorna-fast/iris-classifier-pca
An interactive web application for Iris flower classification using Random Forest and PCA visualization, built with Streamlit. Features real-time predictions, interactive model training, and beautiful data visualizations.
https://github.com/sorna-fast/iris-classifier-pca
matplotlib matplotlib-pyplot matplotlib-python numpy pandas python seaborn sklearn streamlit
Last synced: 3 months ago
JSON representation
An interactive web application for Iris flower classification using Random Forest and PCA visualization, built with Streamlit. Features real-time predictions, interactive model training, and beautiful data visualizations.
- Host: GitHub
- URL: https://github.com/sorna-fast/iris-classifier-pca
- Owner: sorna-fast
- License: mit
- Created: 2025-03-09T15:16:39.000Z (3 months ago)
- Default Branch: main
- Last Pushed: 2025-03-09T16:15:28.000Z (3 months ago)
- Last Synced: 2025-03-09T17:22:30.565Z (3 months ago)
- Topics: matplotlib, matplotlib-pyplot, matplotlib-python, numpy, pandas, python, seaborn, sklearn, streamlit
- Language: Python
- Homepage:
- Size: 10.7 KB
- Stars: 1
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# Iris Dataset Classification with PCA
## Description
An interactive web application for Iris flower classification using Random Forest and PCA visualization, built with Streamlit.
## Features
- **Interactive Model Training**
- Adjustable test data size (10-90%)
- Real-time accuracy metrics
- Confusion matrix visualization
- Detailed classification report
- **PCA Visualization**
- 2D scatter plot of reduced dimensions
- Interactive dataframe display
- Clear class separation visualization
- **Real-time Prediction**
- Interactive feature input sliders
- Instant prediction results
- Probability scores for each class
## Installation
```bash
pip install -r requirements.txt
```
## Run Application
```bash
streamlit run main_project/p3.py
```
## Usage
1. Adjust the test data size using the slider
2. View model performance metrics
3. Explore PCA visualization
4. Use sidebar sliders to input feature values:
- Sepal Length
- Sepal Width
- Petal Length
- Petal Width
5. Click "Predict" to see classification results
## Technologies Used
- Streamlit
- Pandas
- Matplotlib
- Seaborn
- Scikit-learn
- PCA (Principal Component Analysis)
- Random Forest Classifier
## Dataset
The famous Iris dataset with:
- 4 features (sepal length/width, petal length/width)
- 3 classes (Setosa, Versicolor, Virginica)
## License
MIT License
### Created with ❤️ by [Sorna](https://github.com/sorna-fast)
### 📧 Contact Me
For any questions or suggestions, feel free to reach out via email: [email protected]
-------------------
# طبقه‌بندی مجموعه داده زنبق با PCA
## توضیحات
یک برنامه تحت وب تعاملی برای طبقه‌بندی گل زنبق با استفاده از Random Forest و تجسم PCA که با Streamlit ساخته شده است.
## ویژگی‌ها
- **آموزش مدل تعاملی**
- تنظیم اندازه داده تست (۱۰-۹۰٪)
- معیارهای دقت در لحظه
- نمایش ماتریس درهم‌ریختگی
- گزارش طبقه‌بندی دقیق
- **تجسم PCA**
- نمودار پراکندگی ۲ بعدی
- نمایش تعاملی داده‌ها
- تجسم واضح جداسازی کلاس‌ها
- **پیش‌بینی در لحظه**
- اسلایدرهای تعاملی برای ورود ویژگی‌ها
- نتایج پیش‌بینی فوری
- امتیازات احتمال برای هر کلاس
## نصب و راه‌اندازی
دستورات نصب و اجرا در بخش انگلیسی موجود است
## نحوه استفاده
۱. تنظیم اندازه داده تست با اسلایدر
۲. مشاهده معیارهای عملکرد مدل
۳. کاوش در تجسم PCA
۴. استفاده از اسلایدرهای کناری برای ورود مقادیر ویژگی:
- طول کاسبرگ
- عرض کاسبرگ
- طول گلبرگ
- عرض گلبرگ
۵. کلیک روی "Predict" برای دیدن نتایج طبقه‌بندی
## تکنولوژی‌های استفاده شده
- Streamlit
- Pandas
- Matplotlib
- Seaborn
- Scikit-learn
- PCA (تحلیل مؤلفه‌های اصلی)
- Random Forest Classifier (طبقه‌بند جنگل تصادفی)
## مجموعه داده
مجموعه داده معروف زنبق شامل:
- ۴ ویژگی (طول و عرض کاسبرگ، طول و عرض گلبرگ)
- ۳ کلاس (ستوسا، ورسیکالر، ویرجینیکا)
## مجوز
MIT لایسنس
### Created with ❤️ by [Sorna](https://github.com/sorna-fast)
### 📧 ارتباط با من | Contact
برای هرگونه سوال یا پیشنهاد، می‌توانید از طریق ایمیل با من تماس بگیرید: [email protected]