目录
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 SVC1.2 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 52.3 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。