机器学习之数据处理与可视化【鸢尾花数据分类|特征属性比较】

一，前言

1.1 本文基于原理

大部分的机器学习模型所处理的都是特征，特征通常是输入变量所对应的可用于模型的数值表示。
大部分情况下，收集得到的数据需要经过处理后才能够为算法所使用。通常情况下，一个数据集当中存在很多种不同的特征，其中一些可能是多余的或者与我们要预测的值无关的，可通过数据处理和可视化进行筛选。
特征选择技术的必要性也体现在简化模型、减少训练时间、避免维度爆炸和提升泛化性避免过拟合。

1.2 目的

1.熟悉机器学习之数据处理与可视化方法
2.使用数据处理与可视化方法分析数据特征

1.3 目标以及内容

1.安装scikit-learn机器学习及其相关的python包；
2.在程序里下载鸢尾花数据集；
3.使用matplotlib对鸢尾花数据集的特征两两对比绘图；
4.对绘出的鸢尾花可视化图分析哪些特征可明显区分出鸢尾花类别；

1.4 本文基于环境

1.PC机
2.Windows10
3.Scikit-learn安装包
4.jupyter编辑器或pycharm等python编辑器

二，实验过程

2.1 安装scikit-learn机器学习相关的模块

安装过程略，直接安装scikit-learn模块，可以采用国内镜像安装，比较节省时间。
输入

pip show scikit-learn

检测一下本机环境是否成功安装【scikit-learn】本模块。

2.2 在程序里下载鸢尾花数据集

我们这里采用load_iris数据集，一共包括150行记录，其中前四列为花萼长度，花萼宽度，花瓣长度，花瓣宽度4个识别鸢尾花的属性，‘sepal_len’,‘sepal_wid’,‘petal_len’,‘petal_wid’。
第5列为鸢尾花的类别（包括Setosa，Versicolour，Virginica三类）
代码如下

1.import matplotlib.pyplot as plt
2.from sklearn.datasets import load_iris
3.iris = load_iris()
4.X = iris.data
5.print(X.shape, X)

我们输出X来看一下这150组数据：

2.3 使用matplotlib对鸢尾花数据集的特征两两对比绘图

因为我们会使用figure方法，我们先定义一下大小，让16个子图可以合适的输出。如下代码：

plt.figure(figsize=(44,44))

我们需要输出16个子图，设置变量为4，遍历俩次。

feature_max_num=4

遍历俩次，如下：

for feature in range(feature_max_num):
    for feature_other in range(feature_max_num):

可以想象一下：
分别是 0-0,0-1,0-2,0-3,1-0,1-1……
有16种组合，还需取特征值要用。

我们需要设置一下每个子图的位置，可以依次画出这些子图，优点是简单明了，缺点是略显麻烦。
如下代码：

plt.subplot(feature_max_num,feature_max_num,feature*feature_max_num+feature_other +1,frame_on= True)

我们需要思考一下，如果0-0,1-1,2-2，这种属于特殊情况，我们分别处理一下。
plt.scatter的属性我们需要了解一下：如下

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None,
vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)

• x, y → 散点的坐标
• s → 散点的面积
• c → 散点的颜色（默认值为蓝色，‘b’，其余颜色同plt.plot( )）
• marker→ 散点样式（默认值为实心圆，‘o’，其余样式同plt.plot( )） alpha → 散点透明度（[0,1]之间的数，0表示完全透明，1则表示完全不透明）
• linewidths →散点的边缘线宽 edgecolors → 散点的边缘颜色

if feature==feature_other:  #特殊情况

如果，feature==feature_other，遍历值相同的话，x, y → 散点的坐标是相同的，这不是很直观，我们直接把x散点的坐标设置一个自增变量，让它从0到49自增。

 plt.scatter([i for i in range(50)],X[0:50,feature],color='green',marker='o',label='setosa')
 ...
 ...

其他情况的话：x, y → 散点的坐标是不同，正常进行绘制即可

else:
	plt.scatter(X[0:50,feature],X[0:50,feature_other],color='green',marker='o',label='setosa')
	...
	...

上述代码解释：

X[0:50,feature],X[0:50,feature_other]

分别代表x, y → 散点的坐标，因为上文我们有150组目标数据，我们根据不同的特征值从数据集里获取到我们需要目标数据集。进行绘图处理。
需要了解语法：
a[:,1]的含义，即可看懂。

下面我们需要设置X轴和Y轴的标签。语法如下：

xlabel(xlabel, fontdict=None, labelpad=None, *, loc=None, **kwargs)

1. xlabel：类型为字符串，即标签的文本。
2. fontdict： dict, 一个字典用来控制标签的字体样式
3. labelpad：类型为浮点数，默认值为None，即标签与坐标轴的距离。
4. loc：取值范围为{‘left’, ‘center’, ‘right’}，默认值为rcParams[“xaxis.labellocation”]（‘center’），即标签的位置。
5. **kwargs：Text 对象关键字属性，用于控制文本的外观属性，如字体、文本颜色等。

 plt.xlabel(iris.feature_names[feature])
 plt.vlabel(iris.feature_names[feature_other])

最后设置图例位置，输出图像。

		plt.legend(loc='best')
plt.show()

效果图如下:

2.4 对绘出的鸢尾花可视化图分析哪些特征可明显区分出鸢尾花类别

根据图0-2 ，1-3层次分明。
可以看出萼片长度和花瓣长度，萼片宽度和花瓣宽度特征可明显区分出鸢尾花类别。

三，附本文涉及到的源码

本文涉及到的源码如下，可以直接运行：

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
print(X.shape, X)
plt.figure(figsize=(44,44))
feature_max_num=4
for feature in range(feature_max_num):
    for feature_other in range(feature_max_num):
        plt.subplot(feature_max_num,feature_max_num,feature*feature_max_num+feature_other +1,frame_on= True)
        if feature==feature_other:
            plt.scatter([i for i in range(50)],X[0:50,feature],color='green',marker='o',label='setosa')
            plt.scatter([i for i in range(50)],X[50:100,feature],color='blue',marker='x',label='versicolor')
            plt.scatter([i for i in range(50)],X[100:,feature],color='red',marker='+',label='Virginica')
        else:
            plt.scatter(X[0:50,feature],X[0:50,feature_other],color='green',marker='o',label='setosa')
            plt.scatter(X[50:100,feature],X[50:100,feature_other],color='blue',marker='x',label='versicolor')
            plt.scatter(X[100:,feature],X[100:,feature_other],color="red",marker='+',label='Virginica')

        plt.xlabel(iris.feature_names[feature])
        plt.vlabel(iris.feature_names[feature_other])
        plt.legend(loc='best')
plt.show()