目录

0、先对需要安装的库进行版本检测

1、导入数据

1.1 导入需要的库：

1.2 导入数据集

2、概括数据

2.1 查看数据

2.2 查看数据的维度

2.3 统计描述数据

2.4 数据分类分布

3 数据可视化

3.1 单变量图表

3.2 多变量图表

4 评估算法

4.1 分离训练集

4.2 评估模型

4.3 创建模型

5实施预测

0、先对需要安装的库进行版本检测

输入如下命令：

import sys
import scipy
import numpy
import matplotlib
import pandas
import sklearn
import IPython
print(\'python version:{}\'.format(sys.version))
print(\'scipy version:{}\'.format(scipy.__version__))
print(\'numpy version:{}\'.format(numpy.__version__))
print(\'matplotlib version:{}\'.format(matplotlib.__version__))
print(\'pandas version:{}\'.format(pandas.__version__))
print(\'sklearn version:{}\'.format(sklearn.__version__))
print(\'IPython version:{}\'.format(IPython.__version__))

 测试后输出为:

python version:3.8.8 (default, Apr 13 2021, 15:08:03) [MSC v.1916 64 bit (AMD64)]
scipy version:1.6.2
numpy version:1.20.1
matplotlib version:3.3.4
pandas version:1.2.4
sklearn version:0.24.1
IPython version:7.22.0

只要不报错，正常输出，就代表安装成功。

机器学习数据处理的步骤：

（1）导入数据

（2）概括数据

（3）数据可视化

（4）评估算法

（5）实施预测

1、导入数据

鸢尾花数据集属于有监督数据集，数据包括：花瓣的长度、宽度以及花萼的长度、宽度。所有花隶属于setosa、versicolor和virginica三个品种之一。这是一个典型的三分类问题。

鸢尾花（iris）数据集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模块中。

导入数据的命令：

# 导入iris数据集
from sklearn.datasets import load_iris
iris_dataset=load_iris()

也可以下载数据集然后导入的方式进行。

可以在UCI机器学习仓库下载鸢尾花数据集：

https://archive.ics.uci.edu/ml/datasets/Iris

我们通过第二种办法导入数据。下载的数据为iris.data，将data后缀改为CSV格式。名称为iris.data.csv.

1.1 导入需要的库：

#导入需要的类库
#用pandas读取外部文件
from pandas import read_csv
#绘制散点图
from pandas.plotting import scatter_matrix
#绘图
from matplotlib import pyplot
#sklearn分类需要的类
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold
#交叉验证
from sklearn.model_selection import cross_val_score
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
#打分
from sklearn.metrics import accuracy_score
#逻辑回顾算法
from sklearn.linear_model import LogisticRegression
#决策树
from sklearn.tree import DecisionTreeClassifier
#
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
#K近邻算法
from sklearn.neighbors import KNeighborsClassifier
#贝叶斯
from sklearn.naive_bayes import GaussianNB
#支持向量机SVM
from sklearn.svm import SVC

1.2 导入数据集

代码如下：

#导入数据，括号内为数据位置
filename=\'iris.data.csv\'
#names是给数据命名
names=[\'separ-length\',\'separ-width\',\'petal-length\',\'petal-width\',\'class\']
#读入csv文件，使用pandas读入数据
dataset=read_csv(filename,names=names)

2、概括数据

数据导入后，我们急需要知道数据的信息。

可以从以下几个角度审查数据：

（1）查看数据；

（2）数据的维度；

（3）统计描述所有的数据特征；

（4）数据分类的分布情况。

2.1 查看数据

代码如下：

#查看数据前五行
dataset.head()

输出为：

2.2 查看数据的维度

代码：

#查看数据维度
print(\'数据维度：行 %s,列 %s\' % dataset.shape)

执行结果：

数据维度：行 150,列 5

2.3 统计描述数据

数据特征的统计描述信息包括数据的行数、中位数、最大值、最小值、均值、四分位值等统计数据信息。

代码

#统计描述数据信息
print(dataset.describe())

执行结果：

2.4 数据分类分布

查看class数据的分布情况，得到的是数据的绝对数值，从数据可以看出数据分布是否均衡。

代码：

#分类分布情况
print(dataset.groupby(\'class\').size())

执行结果：

鸢尾花数据集分布是很平衡的，不需要特殊处理。如果数据分布不平衡时，需要进行处理，常用的调整数据平衡的方法：

• 扩大数据样本；
• 数据的重新抽样；当数据超过一万条时，可以考虑测试欠抽样（删除多数类样本），当数据量比较少时可以考虑过抽样（复制少数类样本）；
• 尝试生成人工样本；
• 异常检测和变化检测。

3 数据可视化

经过第2步数据审查后，对数据有了一个基本的了解，接下来用更直观的图标来进一步查看数据特征的分布情况。

• 使用单变量图表可以更好地理解买一个特征属性；
• 多变量图表用于理解不同特征属性之间的关系。

3.1 单变量图表

单变量图表可以显示每一个单独的特征属性，由于特征值都是数字，可以使用箱线图来表示属性与中位值的离散速度。

代码：

#箱线图
dataset.plot(kind=\'box\',subplots=True,layout=(2,2),sharex=False,sharey=False)
pyplot.show()

执行结果：

也可以绘制直方图。

代码：

#直方图
dataset.hist()
pyplot.show()

执行结果：

从直方图可以看出，separ-length和separ-width基本符合高斯分布。

3.2 多变量图表

可以通过散点矩阵图来查看每个属性之间的关系。

代码：

#散点矩阵图
scatter_matrix(dataset)
pyplot.show()

执行结果：

从多变量图大概能看出特征量之间的关系。

4 评估算法

将数据集代入各种算法训练，找出最合适的算法。

步骤如下：

（1）分离训练集；

（2）采用10折交叉验证来评估算法模型；

（3）生成6个不同的模型来预测新数据；

（4）选择最优模型。

4.1 分离训练集

一般分出数据集的80%作为训练集，剩下的20%用来作为测试集。

代码如下：

#分出训练集
array=dataset.values
X=array[:,0:4]
Y=array[:,4]
validation_size=0.2
seed=7
X_train,X_validation,Y_train,Y_validation=train_test_split(X,Y,test_size=validation_size,random_state=seed)
X_train.shape

执行结果：

鸢尾花总数150个，训练集120个，测试集30个。分离成功。

4.2 评估模型

用10折交叉验证来分离训练数据集，评估算法的准确度。10折交叉验证是随机地将数据分成10份：9份用来训练模型，1份用来评估算法。

4.3 创建模型

根据散点图可以看出，有些数据符合线性分许，所以可以用线性模型来评估。

用六种算法来评估：

• 线性回归（LR）；
• 线性判别分析（LDA）；
• K近邻（KNN）；
• 分类与回归树（CART）；
• 贝叶斯分类器（NB）；
• 支持向量机（SVM）。

其中，LR和LDA为线性算法，剩下的都为非线性算法。

#算法审查
models={}
models[\'LR\']=LogisticRegression()
models[\'LDA\']=LinearDiscriminantAnalysis()
models[\'KNN\']=KNeighborsClassifier()
models[\'CART\']=DecisionTreeClassifier()
models[\'NB\']=GaussianNB()
models[\'SVM\']=SVC()
#评估算法
results=[]
for key in models:
    kfold=KFold(n_splits=10,random_state=seed,shuffle=True)
    cv_results=cross_val_score(models[key],X_train,Y_train,cv=kfold,scoring=\'accuracy\')
    results.append(cv_results)

执行结果：

#箱线图比较算法
fig=pyplot.figure()
fig.suptitle(\'Algorithm Comparison\')
ax=fig.add_subplot(111)
pyplot.boxplot(results)
ax.set_xticklabels(models.keys())
pyplot.show()

执行结果为：

5实施预测

LR、KNN、SVM得分比较高，用这三个分别进行测试。

#使用评估数据集评估算法
svm=SVC()
svm.fit(X=X_train,y=Y_train)
predictions=svm.predict(X_validation)
print(accuracy_score(Y_validation,predictions))
print(confusion_matrix(Y_validation,predictions))
print(classification_report(Y_validation,predictions))

SVM的执行结果：

LR的执行结果：

KNN的执行结果：

从结果可以看出，KNN在测试集中的得分更好一些。