机器学习-Python实践Day1（鸢尾花项目）

程序代码我将在Anaconda3的Jupyter Notebook中运行。
鸢尾花数据集，大家可以到以下链接下载：
http://archive.ics.uci.edu/ml/machine-learning-databases/iris/

1.1、项目步骤流程：

1. 导入数据
2. 概述数据
3. 数据可视化
4. 评估算法
5. 实施预测

1.1.1、导入数据

# 导入类库
import pandas as pd
import matplotlib.pyplot as plt

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

1.1.2、概述数据

# 查看前十行数据
dataset.head(10)

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

数据维度： 行150,列5

# count --行数
# mean  --中位数
# std   --标准差
# min   --最小值
# 25%   --第一位四分位数
# 50%   --第二位四分位数
# 75%   --第三位四分位数
# max   --最大值
dataset.describe()

# 查看数据维度
print(dataset.groupby('class').size())

1.1.3、数据可视化

通过图表来查看数据特征的分布情况和数据不同特征之间关系

• 使用单变量图表可以更好地理解每一个特征属性
• 多变量图表用于理解不同特征属性之间的关系

单变量图表

#箱线图
dataset.plot(kind='box',subplots=True,layout=(2,2),sharex=False,sharey=False)
plt.show()

# 直方图
dataset.hist()
plt.show()

多变量图表

from pandas.plotting import scatter_matrix
scatter_matrix(dataset)
plt.show()

1.1.4、评估算法

①切分数据集

from sklearn.model_selection import train_test_split
# 切分特征和标签   
# 其中X为特征集数据，Y为标签集数据
# X=dataset.values[:,0:4]
# Y=dataset.values[:,4]
X=dataset.iloc[:,0:4].values
Y=dataset.iloc[:,4].values
# 切分评估训练数据集
X_train,X_test,Y_train,Y_test=train_test_split(X,Y,test_size=0.2,random_state=33)

参数test_size=0.2表示80%的数据集用来训练，20%的数据集用来验证评估。
参数random_state用于设置随机数种子，确保每次使用相同的数据集
X_train,Y_train用于训练算法创建模型，X_test,Y_test用于验证评估模型。
②创建模型

# 创建模型
# 逻辑回归（LR）
# 线性判别分析（LDA）
# K近邻（KNN）
# 分类与回归树（CART）
# 贝叶斯分类器（NB）
# 支持向量机（SVM）
models={}
models['LR']=LogisticRegression()
models['LDA']=LinearDiscriminantAnalysis()
models['KNN']=KNeighborsClassifier()
models['CART']=DecisionTreeClassifier()
models['NB']=GaussianNB()
models['SVM']=SVC()

③评估模型

results=[]
for key in models:
    # 这里采用10折交叉验证来评估模型，关于10折交叉验证，后续将会详细介绍。
    kfold=KFold(n_splits=10,random_state=33)
    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()))

LR:0.941667(0.098953)
LDA:0.975000(0.053359)
KNN:0.975000(0.038188)
CART:0.958333(0.076830)
NB:0.958333(0.055902)
SVM:0.975000(0.053359)

可以看出来SVM的评分最高。
接下来可以通过箱线图来查看评估结果。

fig=plt.figure()
fig.suptitle('Algorithm Comparison')
ax=fig.add_subplot(111)
plt.boxplot(results)
ax.set_xticklabels(models.keys())
plt.show()

1.1.5、实施预测

from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
svm=SVC()
svm.fit(X_train,Y_train)
y_pred=svm.predict(X_test)

print("准确度：",accuracy_score(Y_test,y_pred))
print("混淆矩阵：",confusion_matrix(Y_test,y_pred))
print("分类数值：",classification_report(Y_test,y_pred))

准确度： 0.9333333333333333
混淆矩阵： [[ 8  0  0]
 [ 0  8  0]
 [ 0  2 12]]
分类数值：                  precision    recall  f1-score   support

    Iris-setosa       1.00      1.00      1.00         8
Iris-versicolor       0.80      1.00      0.89         8
 Iris-virginica       1.00      0.86      0.92        14

    avg / total       0.95      0.93      0.93        30