一个经典教程学会机器学习构建过程：鸢尾花分类

本教程基于scikit-learn数据集iris来进行鸢尾花分类，构建一个机器学习模型 ，可以从这些已知品种的鸢尾花测试数据中进行学习，从而能够预测新鸢尾花的品种。

学习目标：了解进行机器学习的基本流程，了解数据集准备、模型选择、分类算法、模型精度评估,为后续具体算法学习做好准备。

一、初识数据

查看数据集的结构和内容

from sklearn.datasets import load_iris
iris_dataset = load_iris()
# 展示数据字典
print(iris_dataset.keys())
# target_names对应预测花的品牌名称
print("target_names : \n{}".format(iris_dataset['target_names']))
# feature_names 对应每一个特征的说明:萼片长度、萼片宽度、花瓣长度、花瓣宽度
print("feature_names: \n{} ".format(iris_dataset['feature_names']))
# 展示数据结构
print("shape : {}",iris_dataset['data'].shape)
# 查看5个数据样本
print(iris_dataset['data'][:5])
# target 是每朵花对应的一个品种名称用数字表示
print(iris_dataset['target'])

dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename', 'data_module'])
target_names : 
['setosa' 'versicolor' 'virginica']
feature_names: 
['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'] 
shape : {} (150, 4)
[[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]]
[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]

二、准备训练数据和测试数据

我们要用新的数据来评估模型的性能。新数据是指模型之前没有见过的数据，而我们有这些数据的标签。通常的做法是将收集好的带标签的数据分成两部分。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，叫作测试数据（test data)、测试集（test set）或留出集（hold-out set)。
一般选择数据集的75%的行数据及对应标签作为训练集，剩下25%的数据及标签作为测试集。

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)
# random_state 参数用于随机数生成器的种子，确保函数输出固定不变。

print("train shape: {},{} ".format(X_train.shape,y_train.shape))
print("test shape: {},{} ".format(X_test.shape,y_test.shape))

train shape: (112, 4),(112,) 
test shape: (38, 4),(38,)

三、观察数据

绘制数据可视化视图，观察数据特征关系。使用pandas DataFrame 绘制散点矩阵图。

import pandas as pd
# 利用数据集中feature_names中的字符串对数据列进行标记
iris_dataframe = pd.DataFrame(X_train,columns=iris_dataset.feature_names)
print(iris_dataframe.head(10))
# 利用DataFrame创建散点图矩阵，按y_train 即 target 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 )

 sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
0                5.9               3.0                4.2               1.5
1                5.8               2.6                4.0               1.2
2                6.8               3.0                5.5               2.1
3                4.7               3.2                1.3               0.2
4                6.9               3.1                5.1               2.3
5                5.0               3.5                1.6               0.6
6                5.4               3.7                1.5               0.2
7                5.0               2.0                3.5               1.0
8                6.5               3.0                5.5               1.8
9                6.7               3.3                5.7               2.5

从图中可以看出，利用花瓣和花萼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，些数据集可以作为目标训练数据使用。

三、构建模型：K近邻算法

本任务的目标是对花的品种进行分类，所以可以使用分类算法。
要对一个新的数据点做出预测，算法会在训练集中寻找与这个新数据点距离 最近的数据点一将找到的数据点的标签赋值给这个数据点。
K近邻算法中的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，而不只是考虑最近的那一个。然后我们可以用这些邻居中数量最多的类别做出预测。

from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=1)
knn.fit(X_train,y_train)

四、执行预测

根据数据特征要求，输入新的预测数据执行模型预测

import numpy as np
# 输入预测数据，scikit-learn要求必须为NumPy二维数组
X_new = np.array([[5,2.9,1,0.2]])
print(X_new.shape)
prediction = knn.predict(X_new)
print('预测结果为：{}, 对应鸢尾花品种为：{}'.format(prediction, iris_dataset['target_names'][prediction] ))

预测结果为：[0], 对应鸢尾花品种为：['setosa']

五、评估模型精度

评估模型精度（accuracy)。
需要用于之前创建的测试集。这些数据用于构建模型，但我们知道测试集中每朵花的实际品种。
因此，我们可以用测试数据中的每朵花进行预测，并将预测结果与标签进行对比。
通过计算精度来衡量模型的优劣，精度就是品种预测正确的花所占的比例。

# 评估方式一：
y_pred = knn.predict(X_test)
print(y_pred)
print('评估测试数据得分：{:.2f}'.format(np.mean(y_pred == y_test)))

[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]
评估测试数据得分：0.97

# 评估方式二：
# 使用knn对象的score方法计算测试集的精度
print('评估测试数据得分：{:.2f}'.format(knn.score(X_test, y_test)))

评估测试数据得分：0.97

该模型得分0.97，即精度为97%。