[Python机器学习]鸢尾花分类 机器学习应用

1、问题简述

　　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。

　　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（classifification）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。

2、测试代码

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @File  : Iris.py
# @Author: 赵路仓
# @Date  : 2020/2/26
# @Desc  :
# @Contact : 398333404@qq.com 

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

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
print("Key or iris_dataset:\n{}".format(iris_dataset.keys()))  # 打印
print(iris_dataset['DESCR'][:193] + "\n...")  # DESCR 键对应的值是数据集的简要说明。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("Target names: {}".format(iris_dataset['target_names']))  # 三种花的名字类型
print("Feature names: {}".format(iris_dataset['feature_names']))  # 三种花的特征，花瓣的长度 宽度 及 花萼的长度 宽度
print("Type of data: {}".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("Shape of data: {}".format(iris_dataset['data'].shape))  # 数组中包含 150 朵不同的花的测量数据
print("First five rows of data:\n{}".format(iris_dataset['data'][:5]))  # 前五朵花的数据
print("Type of target: {}".format(type(iris_dataset['target'])))  # 是一个一维数组，每朵花对应其中的一个数据
print("Shape of target: {}".format(iris_dataset['target'].shape))  #
print("Target:\n{}".format(iris_dataset['target']))  # 品种转为0 1 2三个整数，代表三个种类

X_train, X_test, Y_train, Y_test = train_test_split(iris_dataset['data'], iris_dataset['target'], random_state=0)
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))

# 利用X_train的数据创建DataFrame
# 利用iris_dataset.feature_names的字符对数据进行标记
iris_dataframe=pd.DataFrame(X_train,columns=iris_dataset.feature_names)  # 横坐标 以及横坐标名称
# 利用DataFrame创建散点图矩阵，按y_trian着色
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()

　　注:其中data数组的每一行代表一朵花，列代表每朵花的四个测量数据，一共150朵不同的花。而target是一个一维数组，每朵花代表其中的以个数据，用0、1、2三个整数代表三个不同的花品种。

3、衡量是否成功：训练数据和测试数据

　　首先，不能用构建模型的数据用于评估模型，因为模型是适配构建模型数据的，若用来测试匹配必定是100%。因此，要用新数据来测试模型。　

　　一部分数据用于构建机器学习模型，叫作训练数据（training data）或训练集（training set），这些数据用来构建机器学习模型。其余的数据用来评估模型性能，叫作测试数据（test data）、测试集（testset）或留出集（hold-out set）。scikit-learn 中的 train_test_split 函数可以打乱数据集并进行拆分。将 75% 的行数据及对应标签作为训练集，25% 的数据及其标签作为测试集，75%和25%可以根据情况进行更改。

　　简单来说，训练数据就是构建模型的，而测试数据就是测试模型是否成功的。用X代表输入，分别为花的四项数据，用Y代表输出。

　　train_test_split 函数利用伪随机数生成器将数据集打乱，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。

　　该部分代码如下：

X_train, X_test, Y_train, Y_test = train_test_split(iris_dataset['data'], iris_dataset['target'], random_state=0)
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))

4、观察数据

　　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（pair plot）。

　　该部分代码如下：

# 利用X_train的数据创建DataFrame
# 利用iris_dataset.feature_names的字符对数据进行标记
iris_dataframe=pd.DataFrame(X_train,columns=iris_dataset.feature_names)  # 横坐标 以及横坐标名称
# 利用DataFrame创建散点图矩阵，按y_trian着色
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()

　　数据显示结果：