鸢尾花分类鸢尾花分类

第一个应用鸢尾花分类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。
她还有一些鸢尾花分类的测量数据，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(鸢尾花的品种）叫做类别（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，它的品种叫做标签（label）。
初识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模型中。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() iris_dataset

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("Keys of iris_dataset:\n{}".format(iris_dataset.keys()))

Keys of iris_dataset:
dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names', 'filename'])
DESCR键对应的是数据集的简要说明，可以查看一些数据：

print(iris_dataset['DESCR'][:139] + "\n...")

.. _iris_dataset:
Iris plants dataset Data Set Characteristics:

:Number of Instances: 150 (50 in each of th

...
targte_names键对应的值时一个字符串数组，里面包含我们要预测的花的品种：

print("Target names:{}".format(iris_dataset['target_names']))

Target names:['setosa' 'versicolor' 'virginica']
feature_names键对应的值是一个字符串列表，对每一个特征进行了说明：

print("Feature names:\n{}".format(iris_dataset['feature_names']))

Feature names:
['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
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、花瓣宽度的测量是，格式为Numpy数组：

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

Type of 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))

Shape of data:(150, 4)
可以看出，数组中包含150多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。
我们看下前5个样本的特征数据：

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

First five rows of data:
[[5.1 3.5 1.4 0.2]
[4.9 3. 1.4 0.2]
[4.7 3.2 1.3 0.2]
[4.6 3.1 1.5 0.2]
[5. 3.6 1.4 0.2]]
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:
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("Targt:\n{}".format(iris_dataset['target']))

Targt:
[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）。其余的数据用来评估模型性能，叫做测试数据（test data）、测试集（test set）或留出集（hold-out set）

from sklearn.model_selection import train_test_split X_train,X_test,y_train,y_test=train_test_split(iris_dataset['data'],iris_dataset['target'],random_state=0)

train_test_split函数利用为随机数生成器见数据集打乱，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，这样函数输出是固定不变的，所以这行代码的输出始终相同。

print("X_train shape:{}".format(X_train.shape)) print("y_train shape:{}".format(y_train.shape))

X_train shape:(112, 4)
y_train shape:(112,)

print("X_test shape:{}".format(X_test.shape)) print("y_test shape:{}".format(y_test.shape))

X_test shape:(38, 4)
y_test shape:(38,)
要事第一：观察数据在构建机器小河西模型之前，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。
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（pair plot）,从而可以两两查看所有的特征。

import numpy as np import matplotlib.pyplot as plt import pandas as pd import mglearn # 利用X_train中的数据创建DataFrame # 利用iris_dataset.feature_names中的字符串对数据进行标记 iris_dataframe=pd.DataFrame(X_train,columns=iris_dataset.feature_names) # 利用DataFrame创建散点图矩阵，按y_train着色 grr=pd.plotting.scatter_matrix(iris_dataframe,c=y_train,figsize=(15,15),marker='o',hist_kwds={'bins':20},s=60,alpha=0.8,cmap=mglearn.cm3)

文章图片
image.png
从上图可以看出，利用花瓣（petal）和花萼(sepal）的测量数据基本可以将三个类别区分开。这说明机器学习模型很可能可以学会区分它们。
构建第一个模型：k近邻算法 k近邻顺丰中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做多的类别做出预测。

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。

knn.fit(X_train,y_train)

KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
metric_params=None, n_jobs=None, n_neighbors=1, p=2,
weights='uniform')
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。
做出预测

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

X_new.shape:(1, 4)
注意，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。

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

Prediction:[0]
Predicted target name:['setosa']
评估模型我们可以对测试数据中的每朵鸢尾花进行预测，并将预测结果与表情（已知的品种）进行对比。我们可以拖计算精度（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：

y_pred=knn.predict(X_test) print("Test set predictions:{}".format(y_pred))

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]

print("Test set score:{:.2f}".format(np.mean(y_pred == y_test)))

Test set score:0.97
我们还可以使用knn对象的score方法来计算测试集的精度：

print("Test set sore:{:.2f}".format(knn.score(X_test,y_test)))

Test set sore:0.97
对于这个模型来说，测试集的精度约为0.97，也即是说，对于测试集中的鸢尾花，我们的预测有97%是正确的。根据一些数据假设，对于新的鸢尾花，可以认为我们的模型预测结果有97%都是正确的。对于我们的植物学爱好者应用程序来说，高精度意味着模型足够可信，可以使用。
小结与展望 【鸢尾花分类】1.鸢尾花的分类是一个监督学习问题，它有三个品种，因此又是一个三分类问题。
2.我们将数据集分成训练集(training set)和测试集（test set）,前者用于构建模型，后者用于评估模型对前所未见的新数据的泛化能力。
3.我们选择了k近邻分类算法，根据新数据点在训练集中距离最近的邻居进行预测，并取得了97%的预测精度。