1.鸢尾花分类详解

1.1 定义

鸢尾花分类（Iris Classification）是机器学习领域最经典的 监督学习案例之一。该任务通过测量鸢尾花的四个形态特征（萼片与花瓣的尺寸），训练模型自动识别其所属的三个亚种。

1.2 数据集构成

1.2.1 特征（Features）

• 萼片长度（sepal length，cm）
• 萼片宽度（sepal width，cm）
• 花瓣长度（petal length，cm）
• 花瓣宽度（petal width，cm）

1.2.2 目标类别（Labels）

• Iris-setosa（山鸢尾）
• Iris-versicolor（变色鸢尾）
• Iris-virginica（维吉尼亚鸢尾）
  

1.3 典型应用场景

1. 机器学习教学：最基础的分类算法实践案例
2. 算法基准测试：用于比较不同分类算法性能
3. 特征工程研究：验证特征选择对分类效果的影响
4. 模式识别入门：展示如何通过量化特征区分生物种类

1.4 机器学习中的特殊地位

• 维度适中：4个特征+3个类别，复杂度适合教学演示
• 线性可分性：Setosa与其他两类线性可分，Versicolor与Virginica存在部分重叠
• 数据纯净：由植物学家Edgar Anderson精确测量，无噪声数据
• 标准化程度高：被scikit-learn等主流库直接内置

1.5 分类任务示例

当模型接收到以下测量数据：

萼片长=5.1cm | 萼片宽=3.5cm | 花瓣长=1.4cm | 花瓣宽=0.2cm
模型应输出预测：Iris-setosa

---

2.鸢尾花分类（Python实现）

2.1 项目目标

使用鸢尾花数据集（Iris Dataset）训练模型，根据花瓣/萼片的长度和宽度特征，自动识别花的种类（Setosa/Versicolor/Virginica）

2.2 环境准备

确保已安装以下Python库：
bash pip install numpy pandas matplotlib scikit-learn

2.3 实现步骤

2.3.1 导入所需库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix
from sklearn import tree

2.3.2 加载与探索数据

# 加载内置数据集
iris = load_iris()
data = pd.DataFrame(iris.data, columns=iris.feature_names)
data['target'] = iris.target
data['species'] = data['target'].apply(lambda x: iris.target_names[x])

print("数据维度:", data.shape)
print("\n前5行数据:")
print(data.head())
print("\n类别分布:")
print(data['species'].value_counts())

2.3.3 数据可视化

# 特征分布直方图
data.hist(figsize=(10, 8), bins=20)
plt.suptitle('Feature Distribution')
plt.show()

# 特征相关性热力图
plt.figure(figsize=(8,6))
plt.matshow(data.corr(), fignum=1)
plt.xticks(range(4), iris.feature_names, rotation=45)
plt.yticks(range(4), iris.feature_names)
plt.colorbar()
plt.title('Feature Correlation')
plt.show()

2.3.4 数据预处理

# 划分特征与标签
X = data.iloc[:, :4]
y = data['target']

# 划分训练集与测试集（8:2比例）
X_train, X_test, y_train, y_test = train_test_split(
    X, y, 
    test_size=0.2, 
    random_state=42,
    stratify=y  # 保持类别比例
)

2.3.5 模型训练（随机森林）

# 初始化模型
model = RandomForestClassifier(
    n_estimators=100,
    max_depth=3,
    random_state=42
)

# 训练模型
model.fit(X_train, y_train)

# 查看特征重要性
plt.barh(iris.feature_names, model.feature_importances_)
plt.title('Feature Importance')
plt.show()

2.3.6 模型评估

# 预测测试集
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率: {accuracy:.2%}")

# 绘制混淆矩阵
cm = confusion_matrix(y_test, y_pred)
plt.matshow(cm, cmap=plt.cm.Blues, alpha=0.6)
for i in range(cm.shape[0]):
    for j in range(cm.shape[1]):
        plt.text(j, i, cm[i,j], ha='center', va='center')
plt.title('Confusion Matrix')
plt.xticks(range(3), iris.target_names)
plt.yticks(range(3), iris.target_names)
plt.show()

2.3.7 单样本预测演示

# 创建新样本（萼片长宽，花瓣长宽）
new_sample = [[5.1, 3.5, 1.4, 0.2]]

# 进行预测
prediction = model.predict(new_sample)
probabilities = model.predict_proba(new_sample)

print(f"\n预测类别: {iris.target_names[prediction[0]]}")
print("各类别概率:")
for name, prob in zip(iris.target_names, probabilities[0]):
    print(f"- {name}: {prob:.2%}")

3.代码执行结果示例

模型准确率: 100.00%

预测类别: setosa
各类别概率:
- setosa: 100.00%
- versicolor: 0.00%
- virginica: 0.00%

4.项目扩展建议

• 尝试其他分类算法（SVM、KNN、神经网络）
• 调整模型超参数优化性能
• 添加交叉验证防止过拟合
• 部署为简单的Web应用
• 尝试更复杂的数据集（如MNIST手写数字）

通过这个项目，您已掌握机器学习的基本流程。实际开发中可根据需求调整数据处理方式、选择更复杂的模型架构，并持续优化模型性能。