机器学习实战第1天：鸢尾花分类任务

 

☁️主页 Nowl

专栏《机器学习实战》 《机器学习》

君子坐而论道，少年起而行之 

文章目录

一、任务描述

二、数据集描述

三、主要代码

主要代码库的说明与导入方法

数据预处理

模型训练

模型预测与性能评估

除数据预处理外的完整代码

四、本章总结

 一、任务描述

鸢尾花分类任务是一个经典的机器学习问题，通常用于演示和测试分类算法的性能。该任务的目标是根据鸢尾花的特征将其分为三个不同的品种，即山鸢尾（Setosa）、变色鸢尾（Versicolor）和维吉尼亚鸢尾（Virginica）。这个任务是一个多类别分类问题，其中每个样本都属于三个可能的类别之一。

---

二、数据集描述

鸢尾花分类任务使用的数据集通常是著名的鸢尾花数据集（Iris dataset）。该数据集包含了150个鸢尾花样本，每个样本有四个特征：萼片长度（Sepal Length）、萼片宽度（Sepal Width）、花瓣长度（Petal Length）和花瓣宽度（Petal Width）。每个样本还标有其所属的品种。

---

三、主要代码

（1）主要代码库的说明与导入方法

1. pandas (import pandas as pd):

   Pandas是一个用于数据处理和分析的强大库，提供了数据结构（如DataFrame和Series）和数据操作工具，使得在Python中进行数据清理、转换和分析变得更加方便。

2. matplotlib.pyplot (import matplotlib.pyplot as plt):

   Matplotlib是一个用于绘制图表和可视化数据的2D绘图库。pyplot是Matplotlib的子模块，提供了类似于MATLAB的绘图接口，用于创建图表、直方图、散点图等。

3. sklearn.model_selection (from sklearn.model_selection import train_test_split):

   train_test_split是scikit-learn中用于划分数据集为训练集和测试集的函数。它能够随机将数据划分为两个子集，是机器学习中常用的数据准备步骤之一。

4. sklearn.svm (from sklearn import svm):

   Scikit-learn中的svm模块提供了支持向量机（SVM）算法的实现，包括用于分类和回归的支持向量分类器（SVC）和支持向量回归器（SVR）等。

5. sklearn.metrics (from sklearn import metrics):

   metrics模块包含了许多用于评估模型性能的指标，例如准确性、精确度、召回率、F1分数等。这些指标可用于评估分类、回归和聚类等任务的模型性能。

---

（2）数据预处理

1.查看数据集基本情况

使用pandas数据处理库来导入文件，注意这里的文件地址要改成你自己的，不然运行不了

# 导入必要的库
import pandas as pd


# 从CSV文件读取鸢尾花数据集
iris = pd.read_csv("datasets/iris.csv")

# 查看数据集大小
print(iris.shape)

可以看到数据集为150行，6列的数据集

2.特征工程

我们可以绘制图像来观察数据特征的关系，使用matplotlib绘图库，分别绘制花萼长宽图，与花瓣长宽图，来挖掘特征与种类之间的关系

# 导入必要的库
import pandas as pd
import matplotlib.pyplot as plt

# 从CSV文件读取鸢尾花数据集
iris = pd.read_csv("datasets/iris.csv")

# 绘制散点图，显示鸢尾花的萼片长度与萼片宽度，根据不同的品种用不同的颜色标识
plt.scatter(iris[iris.Species == 'Iris-setosa']["SepalLengthCm"], iris[iris.Species == 'Iris-setosa']["SepalWidthCm"], color="red", label="Setosa")
plt.scatter(iris[iris.Species == 'Iris-versicolor']["SepalLengthCm"], iris[iris.Species == 'Iris-versicolor']["SepalWidthCm"], color="green", label="Versicolor")
plt.scatter(iris[iris.Species == 'Iris-virginica']["SepalLengthCm"], iris[iris.Species == 'Iris-virginica']["SepalWidthCm"], color="blue", label="Virginica")

# 显示图例
plt.legend()

# 设置图表标题和轴标签
plt.title('Scatter Plot of Sepal Length vs Sepal Width for Iris Flowers')
plt.xlabel('Sepal Length (cm)')
plt.ylabel('Sepal Width (cm)')

# 显示图形
plt.show()

绘制花萼长与宽的关系图，我们发现蓝色和绿色的点混在一起，这就代表着这两个特征不能很好地区别鸢尾花的种类，使用这两个特征可能对模型性能提升不会有太多帮助

---

# 绘制散点图，显示鸢尾花的花瓣长度与花瓣宽度，根据不同的品种用不同的颜色标识
plt.scatter(iris[iris.Species == 'Iris-setosa']["PetalLengthCm"], iris[iris.Species == 'Iris-setosa']["PetalWidthCm"], color="red", label="Setosa")
plt.scatter(iris[iris.Species == 'Iris-versicolor']["PetalLengthCm"], iris[iris.Species == 'Iris-versicolor']["PetalWidthCm"], color="green", label="Versicolor")
plt.scatter(iris[iris.Species == 'Iris-virginica']["PetalLengthCm"], iris[iris.Species == 'Iris-virginica']["PetalWidthCm"], color="blue", label="Virginica")

绘制花瓣长与宽的关系图，我们发现不同颜色的点基本上被区分在了不同的区域，这代表着不同种类的鸢尾花的花瓣长宽有很大区别，所以花瓣的长与宽是两个强特征，让我们用这两个特征来进行模型训练吧。

---

（3）模型训练

在这里我们使用svm分类模型来训练，svm是一种经典的分类算法，我们可以使用机器学习库直接导入

# 导入必要的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn import svm


# 从CSV文件读取鸢尾花数据集
iris = pd.read_csv("datasets/iris.csv")

# 将数据集划分为训练集和测试集，测试集占总数据的20%
train, test = train_test_split(iris, test_size=0.2)

# 提取训练集和测试集的特征和标签
train_x = train[['SepalLengthCm', 'SepalWidthCm', 'PetalLengthCm', 'PetalWidthCm']]
train_y = train.Species
test_x = test[['SepalLengthCm', 'SepalWidthCm', 'PetalLengthCm', 'PetalWidthCm']]
test_y = test.Species

# 创建支持向量机（SVM）分类器模型
model = svm.SVC()

# 在训练集上拟合SVM模型
model.fit(train_x, train_y)

---

（4）模型预测与性能评估

评估模型的性能，我们使用metrics库来评估模型的性能，它的预测指标是准确率

from sklearn import metrics


# 使用训练好的模型对测试集进行预测
prediction = model.predict(test_x)

# 打印SVM模型的准确性
print('The accuracy of the SVM is:', metrics.accuracy_score(prediction, test_y))

结果是1.0，这代表在测试集上的预测百分百正确，这是由于数据集较小，并且特征较少的原因，我们将在之后遇到更加复杂的情况

---

（5）除特征工程外的完整代码

这里是舍弃了一些寻找特征等工作的完整模型训练代码

# 导入必要的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn import metrics

# 从CSV文件读取鸢尾花数据集
iris = pd.read_csv("datasets/iris.csv")

# 将数据集划分为训练集和测试集，测试集占总数据的20%
train, test = train_test_split(iris, test_size=0.2)

# 提取训练集和测试集的特征和标签
train_x = train[['SepalLengthCm', 'SepalWidthCm', 'PetalLengthCm', 'PetalWidthCm']]
train_y = train.Species
test_x = test[['SepalLengthCm', 'SepalWidthCm', 'PetalLengthCm', 'PetalWidthCm']]
test_y = test.Species

# 创建支持向量机（SVM）分类器模型
model = svm.SVC()

# 在训练集上拟合SVM模型
model.fit(train_x, train_y)

# 使用训练好的模型对测试集进行预测
prediction = model.predict(test_x)

# 打印SVM模型的准确性
print('The accuracy of the SVM is:', metrics.accuracy_score(prediction, test_y))

---

四、本章总结

• 如何查看数据集的大小
• 基本的探索数据之间关系的方法
• 对数据集进行划分的方法
• 基本的模型训练
• 基本的模型评估方法

当然，也可以自己处理特征，自己选择模型，调整参数，看看会不会获得更好的结果