【机器学习】鸢尾花分类

最新推荐文章于 2024-09-19 22:35:39 发布

ZhShy23

最新推荐文章于 2024-09-19 22:35:39 发布

阅读量3.2k

点赞数 3

分类专栏：机器学习文章标签：机器学习分类人工智能

本文链接：https://blog.csdn.net/weixin_43651049/article/details/122639847

版权

机器学习专栏收录该内容

37 篇文章 35 订阅

订阅专栏

文章目录

例子
初始数据
衡量模型是否成功：训练数据与测试数据
要事第一：观察数据
构建第一个模型：k近邻算法
做出预测
评估模型

例子

假设有一名植物学爱好者对她发现的鸢尾花的品种很感兴趣。她收集了每朵鸢尾花的一些测量数据：花瓣的长度和宽度以及花萼的长度和宽度，所有测量结果的单位都是厘米。
在这里插入图片描述
她还有一些鸢尾花的测量数据，这些花之前已经被植物学专家鉴定为属于setosa、versicolor或virginica三个品种之一。对于这些测量数据，她可以确定每朵鸢尾花所属的品种。我们假设这位植物学爱好者在野外只会遇到这三种鸢尾花。

我们的目标是构建一个机器学习模型，可以从这些已知品种的鸢尾花测量数据中进行学习，从而能够预测新鸢尾花的品种。
因为我们有已知品种的鸢尾花的测量数据，所以这是一个监督学习问题。在这个问题中，我们要在多个选项中预测其中一个（鸢尾花的品种）。这是一个分类（classification）问题的示例。可能的输出（鸢尾花的不同品种）叫作类别（class）。数据集中的每朵鸢尾花都属于三个类别之一，所以这是一个三分类问题。
单个数据点（一朵鸢尾花）的预期输出是这朵花的品种。对于一个数据点来说，它的品种叫作标签（label）。

初始数据

本例中我们用到了鸢尾花（Iris）数据集，这是机器学习和统计学中一个经典的数据集。它包含在scikit-learn的datasets模块中。我们可以调用load iris函数来加载数据：

from sklearn.datasets import load_iris
iris_dataset = load_iris()

load iris返回的iris对象是一个Bunch对象，与字典非常相似，里面包含键和值:

In[11]
	print("Keys of iris dataset: \n{}".format(iris_dataset.keys()))

Out[11]
	Keys of iris dataset: 
	dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename', 'data_module'])

DESCR键对应的值是数据集的简要说明

In[12]
	print(iris_dataset['DESCR'][:193]+"\n...")
	Out[12]
	Iris plants dataset
	--------------------
	**Data Set Characteristics:**
	    :Number of Instances: 150 (50 in each of three classes)
	    :Number of Attributes: 4 numeric, pre

一些关于数据：

In[13]
	from sklearn.datasets import load_iris
	iris_dataset = load_iris()
	
	# print("Keys of iris dataset: \n{}".format(iris_dataset.keys()))
	
	# print(iris_dataset['DESCR'][:193]+"\n...")
	
	#target names键对应的值是一个字符串数组，里面包含我们要预测的花的品种
	print("\nTarget names:\n{}".format(iris_dataset['target_names']))
	
	# target names键对应的值是一个字符串数组，里面包含我们要预测的花的品种
	print("\nFeature names:\n{}".format(iris_dataset['feature_names']))
	
	# 数据包含在target和data字段中。data里面是花萼长度、花萼宽度、花瓣长度、花瓣宽度的测量数据，格式为NumPy数组：
	print("\nType of data:\n{}".format(type(iris_dataset['data'])))
	
	# data数组的每一行对应一朵花，列代表每朵花的四个测量数据：
	print("\nShape of data:\n{}".format(iris_dataset['data'].shape))

Out[13]
	Target names:
	['setosa' 'versicolor' 'virginica']
	Feature names:
	['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
	Type of data:
	<class 'numpy.ndarray'>
	Shape of data:
	(150, 4)

可以看出，数组中包含150朵不同的花的测量数据。前面说过，机器学习中的个体叫作样本（sample），其属性叫作特征（feature）。data数组的形状（shape）是样本数乘以特征数。这是scikit-learn中的约定，你的数据形状应始终遵循这个约定。
下面给出前5个样本的特征数值：

print("First five rows of data:\n{}".format(iris_dataset['data'][:5]))

在这里插入图片描述
从数据中可以看出，前5朵花的花瓣宽度都是0.2cm，第一朵花的花萼最长，是5.1cm。target数组包含的是测量过的每朵花的品种，也是一个NumPy数组：

print("Type of target:{}".format(type(iris_dataset['target'])))

---------------

Type of target:<class 'numpy.ndarray'>

target是一维数组，每朵花对应其中一个数据：

print("Shape of target:{}".format(iris_dataset['target'].shape))
----------------------
Shape of target:(150,)

品种被转换成从0到2的整数：

print("Target:\n{}".format(iris_dataset['target']))
--------------------
Target:
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]

上述数字的代表含义由iris[‘target names’]数组给出：0代表setosa,1代表versicolor, 2代表virginica。

衡量模型是否成功：训练数据与测试数据

需要利用这些数据构建一个机器学习模型，用于预测新测量的鸢尾花的品种。但是在用于新的测量数据之前，我们需要知道模型是否有效。
但我们不能使用构建模型的数据来用于评估模型，因为模型会一直记住整个训练集，所以对于训练集中的任何数据点总会预测正确的标签。
这种记忆无法告诉我们模型的泛化能力如何。

我们要用新的数据来评估模型的性能。
通常的做法是将收集好的带标签数据分成两部分，一部分用于构建机器学习模型，叫做训练数据或训练集。其余的数据用来评估模型性能，叫做测试数据、测试集、留出集

scikit-learn中的train_test_split函数可以打乱数据集并进行拆分。这个函数将75%的行数据及对应标签作为训练集，剩下25%的数据及其标签作为测试集。训练集与测试集的分配比例可以是随意的，但使用25%作为测试集是很好的经验法则。

scikit-learn中的数据通常用大写的 $X$ 表示，而标签用小写的 $y$ 表示。这是受到了数学标准公式 $f (x) = y$ 的启发，其中 $x$ 是函数的输入， $y$ 是输出。我们用大写的 $X$ 是因为数据是一个二维数组（矩阵），用小写的 $y$ 是因为目标是一个一维数组（向量），这也是数学中的约定。

对数据调用train test split，并对输出结果采用下面这种命名方法：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

iris_dataset = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    iris_dataset['data'], iris_dataset['target'], random_state=0
)

在对数据进行拆分之前，train test split函数利用伪随机数生成器将数据集打乱。如果我们只是将最后25%的数据作为测试集，那么所有数据点的标签都是2，因为数据点是按标签排序的。测试集中只有三个类别之一，这无法告诉我们模型的泛化能力如何，所以我们将数据打乱，确保测试集中包含所有类别的数据。为了确保多次运行同一函数能够得到相同的输出，我们利用random state参数指定了随机数生成器的种子。这样函数输出就是固定不变的，所以这行代码的输出始终相同。
train test split函数的输出为X train、X test、y train和y test，它们都是NumPy数组。X train包含75%的行数据，X test包含剩下的25%：

print("X train shape: {}".format(X_train.shape))
print("y train shape: {}".format(y_train.shape))
print("X test shape: {}".format(X_test.shape))
print("y test shape: {}".format(y_test.shape))
-------------------
X train shape: (112, 4)
y train shape: (112,)
X test shape: (38, 4)
y test shape: (38,)

要事第一：观察数据

在构建机器学习模型之前，通常最好检查一下数据，看看如果不用机器学习能不能轻松完成任务，或者需要的信息有没有包含在数据中。
此外，检查数据也是发现异常值和特殊值的好方法.
举个例子，可能有些鸢尾花的测量单位是英寸而不是厘米。在现实世界中，经常会遇到不一致的数据和意料之外的测量数据。

检查数据的最佳方法之一就是将其可视化。
一种可视化方法是绘制散点图（scatter plot）。数据散点图将一个特征作为x轴，另一个特征作为y轴，将每一个数据点绘制为图上的一个点。不幸的是，计算机屏幕只有两个维度，所以我们一次只能绘制两个特征（也可能是3个）。
用这种方法难以对多于3个特征的数据集作图。
解决这个问题的一种方法是绘制散点图矩阵（pairplot），从而可以两两查看所有的特征。如果特征数不多的话，比如我们这里有4个，这种方法是很合理的。但是你应该记住，散点图矩阵无法同时显示所有特征之间的关系，所以这种可视化方法可能无法展示数据的某些有趣内容。

图1-3是训练集中特征的散点图矩阵。数据点的颜色与鸢尾花的品种相对应。为了绘制这张图，我们首先将NumPy数组转换成pandas DataFrame。pandas有一个绘制散点图矩阵的函数，叫作scatter matrix。矩阵的对角线是每个特征的直方图：

import mglearn as mglearn
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import pandas as pd
import matplotlib.pyplot as plt

iris_dataset = load_iris()
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.plotting.scatter_matrix(iris_dataframe, c=y_train, figsize=(15, 15), marker='o', hist_kwds={'bins': 20}, s = 60, alpha = .8, cmap = mglearn.cm3 )
plt.show()

在这里插入图片描述

构建第一个模型：k近邻算法

scikit-learn中有许多可用的分类算法。这里我们用的是k近邻分类器，这是一个很容易理解的算法。构建此模型只需要保存训练集即可。要对一个新的数据点做出预测，算法会在训练集中寻找与这个新数据点距离最近的数据点，然后将找到的数据点的标签赋值给这个新数据点。
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（比如说，距离最近的3个或5个邻居），而不是只考虑最近的那一个。然后，我们可以用这些邻居中数量最多的类别做出预测。
scikit-learn中所有的机器学习模型都在各自的类中实现，这些类被称为Estimator类。k近邻分类算法是在neighbors模块的KNeighborsClassifier类中实现的。我们需要将这个类实例化为一个对象，然后才能使用这个模型。这时我们需要设置模型的参数。KNeighborsClassifier最重要的参数就是邻居的数目，这里我们设为1：

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier(n_neighbors = 1)

knn对象对算法进行了封装，既包括用训练数据构建模型的算法，也包括对新数据点进行预测的算法。它还包括算法从训练数据中提取的信息。对于KNeighborsClassifier来说，里面只保存了训练集。
想要基于训练集来构建模型，需要调用knn对象的fit方法，输入参数为X train和y train，二者都是NumPy数组，前者包含训练数据，后者包含相应的训练标签：
在这里插入图片描述
fit方法返回的是knn对象本身并做原处修改，因此我们得到了分类器的字符串表示。从中可以看出构建模型时用到的参数。几乎所有参数都是默认值，但你也会注意到n neighbors=1，这是我们传入的参数。scikit-learn中的大多数模型都有很多参数，但多用于速度优化或非常特殊的用途。

做出预测

我们可能并不知道这些新数据的正确标签。想象一下，我们在野外发现了一朵鸢尾花，花萼长5cm宽2.9cm，花瓣长1cm宽0.2cm。这朵鸢尾花属于哪个品种？我们可以将这些数据放在一个NumPy数组中，再次计算形状，数组形状为样本数（1）乘以特征数（4）：

X_new = np.array([[5, 2.9, 1, 0.2]])
print("X new.shapw:{}".format(X_new.shape))
--------------------
X new.shapw:(1, 4)

我们将这朵花的测量数据转换为二维NumPy数组的一行，这是因为scikit-learn的输入数据必须是二维数组。
我们调用knn对象的predict方法来进行预测：

prediction = knn.predict(X_new)
print("Prediction: {}".format(prediction))
print("Prediction target name: {}".format(iris_dataset['target_names'][prediction]))
------------------
Prediction: [0]
Prediction target name: ['setosa']

评估模型

这里需要用到之前创建的测试集。这些数据没有用于构建模型，但我们知道测试集中每朵鸢尾花的实际品种。
因此，我们可以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（已知的品种）进行对比。我们可以通过计算精度（accuracy）来衡量模型的优劣，精度就是品种预测正确的花所占的比例：

print("Test set predictions:\n{}".format(y_pred))
print("Test set score: {:.2f}".format(np.mean(y_pred == y_test)))
----------------------------
Test set predictions:
[2 1 0 2 0 2 0 1 1 1 2 1 1 1 1 0 1 1 0 0 2 1 0 0 2 0 0 1 1 0 2 1 0 2 2 1 0
 2]
Test set score: 0.97