机器学习案例：鸢尾花分类——基于Scikit-Learn

《Python机器学习基础教程》笔记

针对鸢尾花分类这个课题，我们按以下步骤进行：

①获取数据集

②检查数据

③构建训练模型

④进行预测并评估

这只是几个简单的步骤，供初学者熟悉机器学习的大致流程，以及如何使用Scikit-Learn，对于大型工程来说，这些步骤还远远不够的。下面就这几个简单的步骤进行说明。

一、获取数据集

这里为了简单，直接用Scikit-Learn自带的鸢尾花数据集。在Jupyter notebook中输入如下代码进行下载：

from sklearn.datasets import load_iris
iris_dataset = load_iris()

 该数据集已经做过处理了，可以输入以下代码查看数据集中的内容：

print("key of iris_dataset:\n{}".format(iris_dataset.keys()))

输出为

现在挨个解释一下这些内容：

1.‘data’：可以理解为特征矩阵，里面是花萼长度、花萼宽度、花瓣长度、花瓣宽度的测量数据；

2.‘target’：样本的标签（每个样本对应的类别，一共3类，分别用‘0’，‘1’，‘2’表示），是一个一维数组；

3.‘target_names’：花的种类，包括 'setosa'， 'versicolor' ，'virginica'这3类；

4.‘DESCR’：是一篇说明文档，对该数据集进行了一个简要的说明

5.‘feature_names’：特征的名称，包括花萼长度、花萼宽度、花瓣长度、花瓣宽度；

6.‘filename’：该数据集的文件名（带绝对路径）

需要注意的是，该数据集是一个整理得非常完美的数据集了，不存在缺失值问题，特征工程也做了，所以，我们直接使用就OK。若是一个非常原始的数据集，则还需要我们做很多处理。

二、检查数据

该数据集其实是已经经过多次检验过的经典的数据集，并不需要检查数据这个步骤。但是我们还是按照一般步骤来，假装我们不知道该数据集里是否有异常值和特殊值，此时，就可以将数据可视化。一种可视化的方法是绘制散点图矩阵，数据散点图矩阵将一个特征作为x轴，另一个特征作为y轴，两两查看所有特征。输入以下代码即可绘制散点图矩阵：

%matplotlib inline
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(iris_dataset['data'],iris_dataset['target'],random_state=0)
iris_dataframe = pd.DataFrame(X_train,columns=iris_dataset.feature_names)
grr = pd.scatter_matrix(iris_dataframe,c=y_train,marker='o',figsize=(10,10),hist_kwds={'bins':20},s=60,alpha=0.8,cmap='viridis')

解释一下相关用法：

1.%matplotlib inline 是一个魔法命令，使图在浏览器中显示出来，若没有这个代码，则浏览器中不显示图。 

2.train_test_split 函数利用伪随机数生成器将数据打乱，然后将其分为训练集和测试集。

3.scatter_matrix 函数利用鸢尾花的特征矩阵（iris_dataframe）创建散点图矩阵，按训练集的标签（y_train）着色，一共三种颜色（一共3类），用点绘图（marker='o'），图大小为10*10（figsize=(10,10)），直方图的区间数为20（hist_kwds={'bins':20}），点大小为60（s=60），透明度为80%（alpha=0.8），用viridis风格画图。

运行结果如下：

由图可知，利用花瓣和花萼的测量数据基本可以将三个类别区分开，这说明机器学习模型很可能可以学会区分它们。 

三、构建训练模型

这里我们选择k近邻分类模型，k近邻算法中k的含义是，我们可以考虑训练集中与新数据点最近的任意k个邻居，而不是只考虑最近的那一个。输入以下代码就可以对数据进行训练了：

from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=1)

四、进行训练、预测并评估

之前我们已经将数据分为训练集和测试集了，训练集用于模型训练，而测试集用于模型评估，以精度来衡量模型的优劣，即对测试数据中的每朵鸢尾花进行预测，并将预测结果与标签进行对比，计算品种预测正确的花所占的比例。代码如下：

knn.fit(X_train,y_train)
y_pred = knn.predict(X_test)
print('Test set score:\n{}'.format(np.mean(y_pred == y_test)))

结果如下：

可以看到，精度为97.4%，非常高的精度了，说明这个模型足够可信，因此对于新的数据，我们也有信心用这个模型去预测。即

knn.predict(新数据)