机器学习的第一个hellow world 项目(代码注释)

# 导入类库
from pandas import read_csv
#三散点矩阵图
from pandas.plotting import scatter_matrix
#图库
from matplotlib import pyplot
#测试集和训练集划分
from sklearn.model_selection import train_test_split
#k折交叉验证
from sklearn.model_selection import KFold
#算法交叉验证后的准确率结果
from sklearn.model_selection import cross_val_score
#用以输出最后的预测分类和实际分类的报告
from sklearn.metrics import classification_report
#输出混淆矩阵
from sklearn.metrics import confusion_matrix
#准确率评分
from sklearn.metrics import accuracy_score
#线性回归算法
from sklearn.linear_model import LogisticRegression
#CART决策树算法
from sklearn.tree import DecisionTreeClassifier
#线性判别分析算法
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
# K近邻算法
from sklearn.neighbors import KNeighborsClassifier
# 贝叶斯分类算法 
from sklearn.naive_bayes import GaussianNB
# 支持向量机回归算法
from sklearn.svm import SVC

# 导入数据
filename = 'iris.data.csv'
names = ['separ-length', 'separ-width', 'petal-length', 'petal-width', 'class']
dataset = read_csv(filename, names=names)

#显示数据维度
print('数据维度: 行 %s，列 %s' % dataset.shape)

# 查看数据的前10行
print(dataset.head(10))

# 统计描述数据信息
print(dataset.describe())

# 分类分布情况
print(dataset.groupby('class').size())

# 箱线图,设置成2×2格式，不共享X,y轴
dataset.plot(kind='box', subplots=True, layout=(2,2),sharex=False, sharey=False)
pyplot.show()

# 直方图
dataset.hist()
pyplot.show()

# 散点矩阵图
scatter_matrix(dataset)
pyplot.show()

# 分离数据集
#将dataframe结构转换成numpy数组
array = dataset.values
X = array[:, 0:4]
Y = array[:, 4]
#验证集划分比例
validation_size = 0.2
#随机数种子，不设种子，每次的随机数都不一样，那么划分的训练集和验证集也不一样。设了种子，划分的一样，可以重复结果
seed = 7
X_train, X_validation, Y_train, Y_validation = \
    train_test_split(X, Y, test_size=validation_size, random_state=seed)

# 算法审查,建立字典键值对
models = {}
models['LR'] = LogisticRegression()
models['LDA'] = LinearDiscriminantAnalysis()
models['KNN'] = KNeighborsClassifier()
models['CART'] = DecisionTreeClassifier()
models['NB'] = GaussianNB()
models['SVM'] = SVC()
# 评估算法,循环结构，10折交叉验证，训练集中有9份样本拿来训练，1份样本拿来评估算法结果，在训练集中就能评估10次，最后取平均
results = []
#其中shuffle=True,每次数据划分前都会打乱顺序,随机数种子的参数为整数，保证数据集划分方式不变，便于不同算法模型的比较
#corss_val_socre的参数:第一个是算法模型,然后....最后输出结果的平均值，标准差

# %s替换成字符串，%f替换成浮点数，%f替换成浮点数 后跟%（）需要替换的东西
for key in models:
    kfold = KFold(n_splits=10, random_state=seed,shuffle=True)
    cv_results = cross_val_score(models[key], X_train, Y_train, cv=kfold, scoring='accuracy')
    results.append(cv_results)
    print('%s: %f (%f)' %(key, cv_results.mean(), cv_results.std()))

# 箱线图比较算法
#创建新的图形
fig = pyplot.figure()
#图形的标题名称
fig.suptitle('Algorithm Comparison')
#图形区域为1*1 当前为一号区
ax1 = fig.add_subplot(121)
pyplot.boxplot(results)
#设置图的标签,当前为二号区
ax1.set_xticklabels(models.keys())
ax2 = fig.add_subplot(122)
pyplot.boxplot(results)
ax2.set_xticklabels(models.keys())
pyplot.show()

#使用评估数据集评估算法
svm = SVC()
#用训练集拟合支持向量机算法
svm.fit(X=X_train, y=Y_train)
#用验证集预测结果
predictions = svm.predict(X_validation)
#打印 验证集预测值和真实值的准确率，混淆矩阵，分类报告
print(accuracy_score(Y_validation, predictions))
print(confusion_matrix(Y_validation, predictions))
print(classification_report(Y_validation, predictions))