从项目入手机器学习——鸢尾花分类

写这个专题主要是因为最近在做高级人工智能的作业，发现自己还有很多基础上的知识缺陷，因此打算重新记录一下。本专题主要会以项目为导向，做项目------遇到问题------解决问题------做项目来进行。

本系列所有项目基于Windows下vscode、jupyter、pytorch（sklearn）完成

鸢尾花分类

鸢尾花分类是机器学习入门中最经典最容易的问题，首先它的任务很明确，即已知一些花的数据（包括花萼、花瓣的长、宽，问这个花是什么种类的）。其次，它的数据集是 sklearn 自带，无需手动下载、清洗、处理缺失值 / 异常值。另外，它也不需要复杂的数学知识，仅依靠距离公式就可以完成。最重要的是，它可以包含了**「数据加载→数据探索→数据预处理→划分训练集 / 测试集→模型构建→模型训练→模型预测→模型评估」** 这些机器学习的完整过程，可以很好的建立机器学习项目的框架。此外，它的扩展性也很高。

数据加载

from sklearn.datasets import load_iris
import pandas as pd

iris = load_iris()
df = pd.DataFrame(data=iris.data, columns=iris.feature_names)
df['品种'] = iris.target
# 把数字标签换成中文（更直观）
df['品种'] = df['品种'].map({0: '山鸢尾', 1: '变色鸢尾', 2: '维吉尼亚鸢尾'})
print("=== 数据前5行 ===")
print(df.head())

# 2. 查看数据基本统计信息（均值、标准差、最小值/最大值）
print("\n=== 数据统计信息 ===")
print(df.describe())

# 3. 查看每个品种的样本数量（确认数据均衡）
print("\n=== 各品种样本数 ===")
print(df['品种'].value_counts())

首先加载数据集，作为机器学习最经典的项目，sklearn.datasets已经封装好了鸢尾花数据集

df = pd.DataFrame(data=iris.data, columns=iris.feature_names)把 scikit‑learn 的 iris 数据集中的特征数组转换为 pandas DataFrame，并用 iris.feature_names 作为列名。

• 输入：
  • iris.data：一个 NumPy 数组（通常形状 (150, 4)，每行一个样本，每列一个特征）。
  • iris.feature_names：包含列名的字符串列表（如 "sepal length (cm)" 等）。
• 输出：df 是一个带友好列名的 DataFrame，便于查看、选择列、可视化和后续数据处理

相较于numpy，pandas在数据分析上更有优势。

以上代码运行完毕后，就会有如下输出

这里为了观看方便，我把标签映射成为中文，实际上并不需要这一步操作。通过这些可视化的步骤，我们对数据集的认识加深了，每一种花都有四个不同的特征，该数据集中，共有三种不同的鸢尾花。

数据探索

每一种花都有四个不同的特征，对于机器学习来说，并不是所有特征都有用的，甚至有些特征还可能会有负作用。原因在于，我们在制作数据集中，并不总是知道哪些数据是有用的，例如之后会做的糖尿病预测，性别、年龄、节食程度，这些会对糖尿病有影响吗？也许有也许没有，因此，我们需要一些方法来进行数据探索，其中最重要的就是特征工程。不过这是一个很复杂的问题，本文所讲的鸢尾花分类只有四个特征，在一些问题中，一个数据可能有上百个特征，因此这里仅做一些简单的探索。

import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

plt.figure(figsize=(8, 6))
sns.scatterplot(x='petal length (cm)', y='petal width (cm)', hue='品种', data=df, s=80)
plt.title('鸢尾花花瓣长度 vs 花瓣宽度')
plt.xlabel('花瓣长度(cm)')
plt.ylabel('花瓣宽度(cm)')
plt.legend()
plt.show()

运行后有如下结果

sns.scatterplot(x='petal length (cm)', y='petal width (cm)', hue='品种', data=df, s=80)的作用是在当前 DataFrame df 上绘制散点图，用花瓣长度（petal length (cm)）作为 x 轴，花瓣宽度（petal width (cm)）作为 y 轴；不同品种用不同颜色区分（hue='品种'）。点的大小由 s=80 控制。

从图中我们可以看出，不同的鸢尾花的花瓣长度与宽度有着明显的区别，说明这两个特征对分类有着很大的作用。（当然，这是一种定性的分析，并不准确且低效，在后续详解特征工程时会介绍更通用的方法）

数据预处理

一般来说，对于一个机器学习项目，数据预处理是至关重要的，当然本例中的数据非常简单，没有缺失数据和异常数据，而且从sklearn.datasets中导入的数据集非常规范，不需要过多处理，只需要划分训练集与测试集即可。

1. 训练集：给模型 "学本事" 的素材（带答案的练习题），模型在这上面学规律 / 记素材；
2. 测试集：给模型 "考本事" 的考题（没做过的新题），用来检验模型的真实预测能力；

from sklearn.model_selection import train_test_split
try:
    labels = None
    if 'target' in df.columns:
        y = df['target']
        X = df.drop('target', axis=1)
    elif '品种' in df.columns:
        # 如果品种是中文标签，尝试映射回数字
        if df['品种'].dtype == object:
            mapping = {'山鸢尾':0, '变色鸢尾':1, '维吉尼亚鸢尾':2}
            y = df['品种'].map(mapping)
            X = df.drop('品种', axis=1)
        else:
            # 已经是数字
            y = df['品种']
            X = df.drop('品种', axis=1)
    else:
        # 退回到 iris 变量（如果存在）
        X = pd.DataFrame(iris.data, columns=iris.feature_names)
        y = pd.Series(iris.target)
except NameError:
    # 如果 notebook 中没有 df 或 iris，会抛出异常
    raise RuntimeError("找不到 df 或 iris，请先运行前面的单元格以构建数据。")
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 划分训练集和测试集 random_state保证结果可复现
from sklearn.preprocessing import StandardScaler   # 标准化
scaler = StandardScaler() # 创建标准化对象
X_train = scaler.fit_transform(X_train) # 训练并转换训练集
X_test = scaler.transform(X_test) # 转换测试集

下面介绍一下代码，try------except部分，主要是因为前面为了展示方便，将target映射成了中文，其核心只有两行：

X = df.drop('target', axis=1) # 特征变量
y = df['target']    # 目标变量

• X = df.drop('target', axis=1)
  • 从 DataFrame 删除名为 "target" 的列，得到特征矩阵 X（pandas DataFrame）。
• y = df['target']
  • 取目标变量列，得到标签向量 y（pandas Series）。

其中X，y的形状取值如图。

• train_test_split(...)
  • 将数据随机划分成训练集和测试集。
  • test_size=0.2 表示 20% 用作测试集，80% 用作训练集。
  • random_state=42 固定随机种子，确保每次运行划分结果相同（可复现）。
  • 返回顺序为 X_train, X_test, y_train, y_test（类型与输入一致，未变为数组）。
  • 对 iris（150 条）而言：训练集 120 条，测试集 30 条（示例）。
• from sklearn.preprocessing import StandardScaler
  • 引入标准化器：对每个特征做零均值、单位方差变换（z = (x - mean) / std）。
• scaler = StandardScaler()
  • 创建 StandardScaler 实例，但此时未计算均值和方差。
• X_train = scaler.fit_transform(X_train)
  • 在训练集上计算每个特征的均值和标准差（fit），并用这些参数把训练集转换为标准化后的数值（transform）。
  • 返回的是 numpy 数组（而非 DataFrame）。
• X_test = scaler.transform(X_test)
  • 使用在训练集上学到的均值和方差对测试集做相同变换。

通过这些处理，我们把150条数据集划分为了120条训练集（有特征有答案）和30条测试集（有特征无答案），这里需要再详细解释一下X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) 的作用，其有四个输出

• X_train：训练集的特征矩阵，形状为 (n_train, n_features)。用于训练模型（model.fit）和在训练集上 fit 标准化器/特征变换器。
• y_train：训练集的标签向量，长度 n_train。作为监督信号（即答案）传给 model.fit。
• X_test：测试集的特征矩阵，形状为 (n_test, n_features)。用于对训练好的模型进行预测（model.predict），在评估阶段作为输入；
• y_test：测试集的真实标签，长度 n_test。用于与预测结果比较来计算指标（accuracy、precision、recall 等），在模型开发中视为"未知答案"用于检验泛化能力。

模型构建与模型训练

本例中采用最简单的KNN聚类模型，它几乎不需要训练，因此这里只简单介绍一下原理

1. 生活类比

假设你不认识一种水果（比如莲雾），但你认识苹果、香蕉、橘子。你会怎么做？

• 先找和它「长得最像」的 3 个（K=3）水果（比如形状、颜色、大小最接近）；
• 发现这 3 个里有 2 个是苹果，1 个是橘子；
• 你就会判断：这个不认识的水果，大概率和苹果是一类（少数服从多数）。

2. 对应到鸢尾花分类

鸢尾花有 3 个品种（山鸢尾、变色鸢尾、维吉尼亚鸢尾），4 个特征（花萼长、花萼宽、花瓣长、花瓣宽），KNN 做分类的逻辑和上面的水果识别完全一致：

1. 已知样本：我们有 150 朵标注了「品种标签」的鸢尾花（相当于你认识的苹果、香蕉），每朵花都有 4 个特征数据；
2. 未知样本：来了一朵没标注品种的鸢尾花（相当于你不认识的莲雾），也有 4 个特征数据；
3. KNN 核心操作 ：
   • 先算这朵未知鸢尾花，和 150 朵已知鸢尾花的「相似度」（用「距离」衡量，距离越近 = 相似度越高，比如两朵花的 4 个特征数值都很接近，距离就小）；
   • 从近到远排序，选出距离最近的 K 朵（比如 K=5，就是选 5 个最像的已知鸢尾花）；
   • 统计这 K 朵花的品种：比如 5 朵里有 3 朵是变色鸢尾，2 朵是维吉尼亚鸢尾；
   • 投票决定：未知鸢尾花的品种就是「变色鸢尾」（多数胜出）。

KNN算法仅有一个超参数n，作用是选多少个邻居来投票，比如上例中选择最近的五朵花，n就等于5，KNN的效果好坏，很大程度上取决于n的选择是否合理。

针对鸢尾花测试集里的每一朵未知品种的花，KNN 预测时会做 3 件事：

1. 计算：测试花和训练集里 120 朵花的距离（判断相似度）；
2. 筛选：选出距离最近的 5 朵花（K=5）；
3. 投票：统计这 5 朵花的品种，多数品种就是测试花的预测品种。

对应到代码中如下

from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier(n_neighbors=3) # 创建KNN分类器对象
model.fit(X_train, y_train) # 训练模型
# 评估
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
y_pred = model.predict(X_test) # 预测测试集
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Classification Report:\n", classification_report(y_test, y_pred))
print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred))

最终得到如下指标：

这里仅介绍一下准确率（accuracy）：代码计算中用y_pred来代表预测值，y_test代表真实值，通过测试集中30个值有多少个预测正确来计算得到。可以看到KNN在这个问题中的结果是非常不错的，达到了100%的准确率。

总结

鸢尾花的分类包括了完成的机器学习框架，当然，其极大的弱化了数据预处理和模型构建部分。下一篇文章会继续探索鸢尾花的不同特征对的分类结果影响。