[Python機器學習]鳶尾花分類 機器學習應用

1、問題簡述

　　假設有一名植物學愛好者對她發現的鳶尾花的品種很感興趣。她收集了每朵鳶尾花的一些測量數據：

• 花瓣的長度和寬度以及花萼的長度和寬度，所有測量結果的單位都是厘米。

　　她還有一些鳶尾花的測量數據，這些花之前已經被植物學專家鑒定為屬於 setosa、versicolor 或 virginica 三個品種之一。對於這些測量數據，她可以確定每朵鳶尾花所屬的品種。

　　我們假設這位植物學愛好者在野外只會遇到這三種鳶尾花。我們的目標是構建一個機器學習模型， 可以從這些已知品種的鳶尾花測量數據中進行學習，從而能夠預測新鳶尾花的品種。因為我們有已知品種的鳶尾花的測量數據，所以這是一個 監督學習問題。在這個問題中，我們要在多個選項中預測其中一個（鳶尾花的品種）。這是一個分類（classifification）問題的示例。可能的輸出（鳶尾花的不同品種）叫作類別（class）。數據集中的每朵鳶尾花都屬於三個類別之一，所以這是一個三分類問題。

2、測試代碼

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @File  : Iris.py
# @Author: 趙路倉
# @Date  : 2020/2/26
# @Desc  :
# @Contact : [e-mail] 

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  # 鳶尾花（Iris）數據集，這是機器學習和統計學中一個經典的數據集
from sklearn.model_selection import train_test_split

iris_dataset = load_iris()  # load_iris 返回的 iris 對象是一個 Bunch 對象，與字典非常相似，里面包含鍵和值
print("Key or iris_dataset:\n{}".format(iris_dataset.keys()))  # 打印
print(iris_dataset['DESCR'][:193] + "\n...")  # DESCR 鍵對應的值是數據集的簡要說明。target_names 鍵對應的值是一個字符串數組 里面包含我們要預測的花的品種
print("Target names: {}".format(iris_dataset['target_names']))  # 三種花的名字類型
print("Feature names: {}".format(iris_dataset['feature_names']))  # 三種花的特征，花瓣的長度 寬度 及 花萼的長度 寬度
print("Type of data: {}".format(type(iris_dataset['data'])))  # data 數組的每一行對應一朵花，列代表每朵花的四個測量數據
print("Shape of data: {}".format(iris_dataset['data'].shape))  # 數組中包含 150 朵不同的花的測量數據
print("First five rows of data:\n{}".format(iris_dataset['data'][:5]))  # 前五朵花的數據
print("Type of target: {}".format(type(iris_dataset['target'])))  # 是一個一維數組，每朵花對應其中的一個數據
print("Shape of target: {}".format(iris_dataset['target'].shape))  #
print("Target:\n{}".format(iris_dataset['target']))  # 品種轉為0 1 2三個整數，代表三個種類

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的數據創建DataFrame
# 利用iris_dataset.feature_names的字符對數據進行標記
iris_dataframe=pd.DataFrame(X_train,columns=iris_dataset.feature_names)  # 橫坐標 以及橫坐標名稱
# 利用DataFrame創建散點圖矩陣，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數組的每一行代表一朵花，列代表每朵花的四個測量數據，一共150朵不同的花。而target是一個一維數組，每朵花代表其中的以個數據，用0、1、2三個整數代表三個不同的花品種。

3、衡量是否成功：訓練數據和測試數據

　　首先，不能用構建模型的數據用於評估模型，因為模型是適配構建模型數據的，若用來測試匹配必定是100%。因此，要用新數據來測試模型。　

　　一部分數據用於構建機器學習模型，叫作訓 練數據（training data）或 訓練集（training set），這些數據用來構建機器學習模型。其余的數據用來評估模型性能，叫作 測試數據（test data）、 測試集（testset）或 留出集（hold-out set）。scikit-learn 中的 train_test_split 函數可以打亂數據集並進行拆分。將 75% 的行數據及對應標簽作為訓練集，25% 的數據及其標簽作為測試集，75%和25%可以根據情況進行更改。

　　簡單來說，訓練數據就是構建模型的，而測試數據就是測試模型是否成功的。用X代表輸入，分別為花的四項數據，用Y代表輸出。

　　train_test_split 函數利用偽隨機數生成器將數據集打亂，利用 random_state 參數指定了隨機數生成器的種子。這樣函數輸出就是固定不變的，所以這行代碼的輸出始終相同。

　　該部分代碼如下：

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、觀察數據

　　一種可視化方法是繪制散點圖（scatter plot）。數據散點圖將一個特征作為 x 軸，另一個特征作為 y 軸，將每一個數據點繪制為圖上的一個點。不幸的是，計算機屏幕只有兩個維度，所以我們一次只能繪制兩個特征（也可能是3 個）。用這種方法難以對多於 3 個特征的數據集作圖。解決這個問題的一種方法是繪制散點圖矩陣（pair plot）。

　　該部分代碼如下：

# 利用X_train的數據創建DataFrame
# 利用iris_dataset.feature_names的字符對數據進行標記
iris_dataframe=pd.DataFrame(X_train,columns=iris_dataset.feature_names)  # 橫坐標 以及橫坐標名稱
# 利用DataFrame創建散點圖矩陣，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()

　　數據顯示結果：