花名：鸢尾花
别名：爱丽丝、蓝蝴蝶、紫蝴蝶
花语：爱的使者、长久思念
花期：5-6月
颜色：蓝色、紫色、白色、粉色等
鸢尾花主要色彩为蓝紫色，有“蓝色妖姬”的美誉，因花瓣形如鸢鸟尾巴而得名，有蓝、紫、黄、白、红等颜色。鸢尾的英文名Iris，源于希腊语，是希腊神话中彩虹女神爱丽丝的名字。...

错了，这不是一篇植物科普，重来...

假如我们都非常热爱植物，收集到一些鸢尾花，每朵鸢尾花经过测量，得到一些数据：

花瓣长度和宽度，花萼长度和宽度，测量单位均为厘米。

同时，我们得到了一组被植物专家鉴定后的数据，这些花属于setosa、versicolor或virginica三个品种之一。我们想利用机器学习模型，通过已知品种的测量数据，预测鸢尾花的品种。

这里根据上次内容（机器学习machine learning-CSDN博客），可知我们掌握数据中有预期输出，属于监督学习问题。分析问题，我们要在多个选项中预测是否为某一种鸢尾花品种。可知，这是一个分类（classification）问题。鸢尾花的种类（预期输出）叫做类别（class）。测量数据来自的鸢尾花都属于三个类别之一。可推断这是一个三分类问题。单个数据点（一朵鸢尾花测量数据）的预期输出是这朵花的品种，品种又叫做标签（label）。

1. 数据采集

这些鸢尾花（Iris）数据集，其实是机器学习的经典数据集，包含在scikit-learn的datasets模块中（Python这些库为什么这么香是有原因的）。通过load_iris函数加载数据：

from sklearn.datasets import load_iris
iris_dataset = load_iris()
#load_iris返回iris对象是一个Bunch对象，类似字典，包含键和值
print("Keys of iris_dataset: \n{}".format(iris_dataset.keys()))

结果：

Keys of iris_dataset:
dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names'])

数据包含在target和data字段中，data里是花萼长度、花萼宽度、花瓣长度、花瓣宽度等测量数据，格式为NumPy数组；target_names键对应的值是一个字符串数组，里面包含要预测的品种；DESCR键对应的值是数据集的简要说明。feature_names键对应的值是一个字符串列表，对每一个特征进行了说明。

print("Shape of data: {}".format(iris_dataset['data'].shape))

结果：

Shape of data: (150, 4)

数组中包含150朵花的测量数据。在机器学习中，个体叫做样本（sample），其属性叫做特征（feature）。data数组的形状（shape）是样本数乘以特征数。取前10个样本特征数值：

print("First ten rows of data:\n{}".format(iris_dataset['data'][:10]))

结果：

First ten rows of data:
[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]
 [4.6 3.1 1.5 0.2]
 [5.  3.6 1.4 0.2]
 [5.4 3.9 1.7 0.4]
 [4.6 3.4 1.4 0.3]
 [5.  3.4 1.5 0.2]
 [4.4 2.9 1.4 0.2]
 [4.9 3.1 1.5 0.1]]

前五朵宽度都是0.2cm，第六朵花萼最长5.4cm。target数组包含测量过的每朵花品种，是一个Numpy数组：

上述数字的代表含义由iris['target_names']数组给出：0代表setosa，1代表versicolor，2代表virginca。

2. 测试模型效果：训练数据&测试数据

如何相信，我们利用数据构建的这个预测鸢尾花的机器学习模型，它是有效的。还用刚才的训练数据吗？当然不行，他们用于预测时已经是正确的标签了。也就是这些数据无法证明模型的有效性，即泛化（generalize）能力。所以需要用新的数据来评估模型的有效性。也就是没有在训练数据中出现过的。有一种常用的办法，将收集好的带标签的数据（即150朵花的测量数据）分为两组。一组数据用于构建机器学习模型，叫训练数据（training data）或训练集（training set），另一组用来评估模型性能，叫做测试数据（test data），或测试集（test set）。

用什么划分数据集？scikit-learn中的train_test_split函数可以将数据集分组。利用它将75%的数据作为训练集，余下的25%作为测试集。当然75%和25%还可以随意调节，但是这个比例通常效果较好。

scikit-learning中的数据通常用大写的X标识，而标签用小写的y标识，类似数学公式f(x)=y。train_test_split函数利用伪随机数生成器将数据集打乱，避免结果标签因过于集中预测不准。利用random_state参数指定随机生成数据。

3. 观察数据

检查数据，发现异常值和特殊值，比如单位不同，空值等等，有可能需要用数据清洗，使得数据更干净，或可直接使用。还可以将其可视化，绘制散点图（scatter plot）。有些数据特征要多于2个，有可能是3个或4个，无法使用二维图像表示，还可以使用散点图矩阵（pair plot）。绘制训练集中特征的散点图矩阵，方法如下：

需要使用mglearn模块，将Numpy数组转换成pandas DataFrame。用scatter_matrix绘制散点图函数绘制图形。

#用X_train中的数据创建DataFrame
#用iris_dataset.feature_names中的字符对数据列进行标记
iris_dataframe = pd.DataFrame(X_train,columns=iris_dataset.feature_names)
#利用DataFrame创建散点图矩阵，按y_train着色
grr = pd.scatter_matrix(iris_dataframe,c=y_train,figsize=(15,15),marker='o',hist_kwds={'bins':20},s=60,alpha=.8,cmap=mglearn.cm3)

三个颜色三个类别，说明模型有效性。