MachineLearning入门-3

机器学习中的HelloWorld项目

这个项目是针对鸢尾花（Iris Flowers）进行分类的一个项目，数据集是含鸢尾花的三个亚属得分类信息，通过机器学习算法生成一个模型，自动分类新数据到这三个亚属的某一个中。项目中使用的鸢尾花数据集是一个非常容易理解的数据集，这个数据集具有以下特点：

• 所有的特征数据都是数字，不需要考虑如何导入和处理数据
• 这是一个分类问题，可以很方便的通过有监督学习算法来解决问题
• 这是一个多分类问题，也许需要一些特殊的处理
• 所有的特征数值采用相同的单位，不需要进行尺度的转换

接下来将按照以下步骤实现这个项目：

1）导入数据

2）概述数据

3）数据可视化

4）评估算法

5）实施预测

导入类库

from pandas import read_csv
from pandas.plotting import scatter_matrix
from matplotlib import pyplot

from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score

from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score

from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.svm import SVC

所有的类库导入都不应有错误提示。如果出现了错误提示，那么暂时停下来，先设置一个能够运行的Scipy环境。

导入数据集

可以在UCI机器学习仓库下载鸢尾花（Iris Flower）数据集（https://archive.ics.uci.edu/ml/datasets/iris），下载完成后保存在项目的统计目录中。

在这里将使用Pandas来导入数据和对数据进行描述性统计分析，并利用Matplotlib实现数据可视化。

需要注意的是，在导入数据时，为每个数据特征设定了名称，这有助于后面对数据的展开工作，尤其是通过图表展示数据。

代码如下：

#导入数据集
filename=‘/home/aistudio/data/iris.data.csv‘
names=[‘separ-length‘,‘separ-width‘,‘petal-length‘,‘petal-width‘,‘class‘]
dataset=read_csv(filename,names=names)

概述数据

先看下数据，增加对数据的理解，以便选择合适的算法。

可考虑从以下几个角度来审查数据：

1）数据的维度

2）查看数据自身

3）统计描述所有的数据特征

4）数据分类的分布情况

1 #显示数据维度
2 
3 print(‘数据维度：行%s,列%s‘ % dataset.shape)

执行结果如下：

数据维度：行150,列5