1.7 第一个应用：鸢尾花分类

在机器学习领域，鸢尾花（Iris）分类问题是一个经典的入门级案例，它以其简单而富有教育意义的特点，成为了学习分类算法的首选。在本章中，我们将通过Python及其强大的机器学习库scikit-learn，来构建并训练一个模型，用于预测鸢尾花的种类。这不仅能帮助你理解机器学习的基本流程，还能掌握数据预处理、模型选择、训练及评估等关键步骤。

1.7.1 引言

鸢尾花数据集（Iris dataset）是统计学和机器学习中常用的数据集之一，由R.A. Fisher于1936年收集。该数据集包含了150个样本，分别属于三种不同的鸢尾花种类：Setosa、Versicolour和Virginica。每个样本有四个特征：萼片长度（sepal length）、萼片宽度（sepal width）、花瓣长度（petal length）和花瓣宽度（petal width），所有这些特征均为连续值。

1.7.2 数据准备

在开始建模之前，首先需要加载并探索数据。scikit-learn库中已经内置了鸢尾花数据集，我们可以直接调用它来获取数据。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载数据
iris = load_iris()
X = iris.data  # 特征数据
y = iris.target  # 目标标签（0: Setosa, 1: Versicolour, 2: Virginica）
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

1.7.3 数据探索

数据探索是理解数据特性、发现潜在问题的重要步骤。通过简单的统计分析和可视化，我们可以获得对数据集的初步认识。

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
# 将数据转换为DataFrame以便于分析
df = pd.DataFrame(X, columns=iris.feature_names)
df['species'] = iris.target_names[y]
# 描述性统计
print(df.describe())
# 绘制特征分布图
sns.pairplot(df, hue='species')
plt.show()

通过上述代码，我们可以观察到不同种类鸢尾花在特征上的分布差异，这为后续选择模型提供了直观的依据。

1.7.4 选择模型

在鸢尾花分类问题中，由于数据集相对较小且特征维度不高，我们可以选择多种分类算法进行尝试。这里，我们以逻辑回归（Logistic Regression）、决策树（Decision Tree）和K近邻（K-Nearest Neighbors, KNN）为例，展示不同算法在相同数据集上的表现。

逻辑回归：

from sklearn.linear_model import LogisticRegression
# 创建逻辑回归模型
lr = LogisticRegression(max_iter=200)
lr.fit(X_train, y_train)
# 预测测试集
y_pred_lr = lr.predict(X_test)

决策树：

from sklearn.tree import DecisionTreeClassifier
# 创建决策树模型
dt = DecisionTreeClassifier()
dt.fit(X_train, y_train)
# 预测测试集
y_pred_dt = dt.predict(X_test)

K近邻：

from sklearn.neighbors import KNeighborsClassifier
# 创建K近邻模型
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)
# 预测测试集
y_pred_knn = knn.predict(X_test)

1.7.5 模型评估

模型评估是判断模型好坏的关键步骤。常用的评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1 Score）等。对于鸢尾花分类这种多分类问题，我们主要关注准确率。

from sklearn.metrics import accuracy_score
# 计算各模型准确率
accuracy_lr = accuracy_score(y_test, y_pred_lr)
accuracy_dt = accuracy_score(y_test, y_pred_dt)
accuracy_knn = accuracy_score(y_test, y_pred_knn)
print(f"逻辑回归准确率: {accuracy_lr:.2f}")
print(f"决策树准确率: {accuracy_dt:.2f}")
print(f"K近邻准确率: {accuracy_knn:.2f}")

1.7.6 结果分析与讨论

通过上述实验，我们可以发现不同模型在鸢尾花数据集上的表现存在差异。逻辑回归虽然简单，但在该数据集上表现不俗；决策树由于其强大的非线性拟合能力，往往能取得较高的准确率；而K近邻的准确率则受到K值选择的影响，需要通过交叉验证等方式来确定最优K值。

此外，我们还可以进一步探讨模型的过拟合与欠拟合问题，通过调整模型参数（如决策树的深度、逻辑回归的正则化强度等）或使用更复杂的模型（如随机森林、梯度提升树等）来改进模型性能。

1.7.7 结论

通过本章的学习，我们不仅掌握了使用Python和scikit-learn进行机器学习项目的基本流程，还通过鸢尾花分类这一具体案例，深入理解了数据预处理、模型选择、训练及评估等关键环节。更重要的是，我们学会了如何根据数据集的特点选择合适的模型，并通过实验来验证模型的有效性。这些知识和技能将为你后续深入学习机器学习打下坚实的基础。