python机器学习入门-（1）

机器学习入门项目

如果你和我一样是一个机器学习小白，这里我将会带你进行一个简单项目带你入门机器学习。开始吧！

1.项目介绍

这个项目是针对鸢尾花进行分类，数据集是含鸢尾花的三个亚属的分类信息，通过机器学习来省成一个模型，实现自动分类。这个项目属于多分类问题，监督学习。
有以下步骤：
（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

2.导入数据

2.1 导入类库

代码如下：

# 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

这里我们如果导入失败，你最好检查以下是否没有安装某些库。

2.2 导入数据

我们可以在UCI机器学习仓库下载鸢尾花数据集，自己可以百度搜索下。下载后保存到我们的工作目录下，然后用Pandas导入csv数据和对数据进行统计分析，并且用Matplotlib进行数据可视化。在导入数据时候，我们对每个数据设定了名称，这个对我们后面的展示工作又帮助。代码如下：

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

2.3 概述数据

我们做四个事情
（1)查看数据维度
（2）查看数据自身
（3）统计所有数据特征
（4）数据分类的分布情况
以下是相关代码：

#显示数据维度
print('数据维度: 行 %s，列 %s' % dataset.shape)

# 查看数据的前10行
print(dataset.head(10))

# 统计描述数据信息
print(dataset.describe())

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

2.4 数据可视化

这个是我最喜欢的环节，想想那么多无聊的数据，可以变成有规律的图片就很激动
代码如下：

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

# 直方图
dataset.hist()
pyplot.show()

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

结果如下：

2.5 评估算法

通过不同的算法来加你模型，并且评估它们的准确度，为了找到最合适的算法。以下几个步骤：
（1）分离出评估数据集
（2）采用10折交叉验证模型
（3）生成6个不同模型来预测新数据
（4）选择最优模型
代码如下：

# 分离数据集
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)

# 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)
    cv_results = cross_val_score(models[key], X_train, Y_train, cv=kfold, scoring='accuracy')
    results.append(cv_results)
    print('%s: %f (%f)' %(key, cv_results.mean(), cv_results.std()))

# 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()

2.6 实施预测

评估结果显示，支持向量机是准确度最高的算法。现在使用预留的评估数据集来验证这个算法模型。将对生成算法的准确的又直观的认识。
使用全部训练集的数据生成支持向量机的算法模型，并且用预留的评估数据集给出一个算法模型的报告。代码如下：

#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))

执行程序后，得到准确度是0.8666666666666667
还有一个结果分析报告如下：