首页分享初识分类（鸢尾花卉数据集）

初识分类（鸢尾花卉数据集）

来源：花匠小妙招时间：2025-02-17 15:05

注：本文用到的模块如Numpy，Scipy，matplotlib等都可以在 pythonlibs 里下载并使用pip安装，如果没有安装过这里有安装教程。

本文提供的代码基于windows的python2.x，数据和代码都可以在github上打包下载。

机器是否能够识别出图像中的花朵种类？从机器学习的角度来说，我们可以通过以下方式解决这个问题：先让机器学习一下每种花朵的样本数据，然后让它根据这些信息，对未标识出花朵种类的图像进行分类。这个过程就叫做分类（或者叫监督学习），这是一个已经研究了几十年的经典问题。

Iris数据集（Iris dataset，也称鸢尾花卉数据集）是源自20世纪30年代的经典数据集。它是最早应用统计分类的现代示例之一。

数据中包含有不同种类的Iris花朵的数据，这些种类可以通过它们的形态来识别。时至今日，我们已经可以通过基因签名（genomic signature）来识别这些分类。但在20世纪30年代，人们还不确定DNA是不是基因信息的载体。

测量的是每个花朵的以下四个属性：

花萼长度

花萼宽度

花瓣长度

花瓣宽度

一般来说，我们把数据中所有的测量结果都叫做特征。

此外，每个花朵所属的种类都已经标出。现在的问题是：如果看到这种植物的一个新花朵，我们能否通过它的四个特征来预测它的种类？

这就是监督学习或分类问题; 对于给定的带有类别标签的样本，我们要设计出一种规则，实现对其他样本的预测。这跟垃圾邮件分类问题是一样的：根据用户标出的垃圾邮件和非垃圾邮件样本，我们能否判定一个新来的信息是否是垃圾邮件？

在这个时候，Iris数据集可以很好的满足我们的需求。它的规模很小（只包含150个样本，每个样本有4个特征，共有3种分类），很容易可视化地显示出来并进行处理。

我们通过以下代码，对这四个特征进行两两组合（共6种组合）来展示两个特征之间的相关性。

figure1.py

from matplotlib import pyplot as plt from sklearn.datasets import load_iris import numpy as np data = load_iris() features = data['data'] feature_names = data['feature_names'] target = data['target'] pairs = [(0,1), (0,2), (0,3), (1,2), (1,3), (2,3)] for i,(p0,p1) in enumerate(pairs): plt.subplot(2,3,i+1) for t, marker, c in zip(xrange(3), '>ox', 'rgb'): plt.scatter(features[target == t, p0], features[target == t, p1], marker=marker, c=c) plt.xlabel(feature_names[p0]) plt.ylabel(feature_names[p1]) plt.xticks([]) plt.yticks([]) plt.savefig("01.png")

下图中的每一个子图都画出了所有数据点在其中两个维度上的映射。外面的那一组点（三角形）代表的是山鸢尾花（Iris Setosa），中间的（圆圈）代表的是变色鸢尾花（Iris Versicolor），用x标记的是维吉尼亚鸢尾花（Iris Virginica）。

构建第一个分类模型

如果我们的目标是区分这三种花朵的类型，根据上图不难发现，根据花瓣（petal）长度似乎就可以将山鸢尾花（三角形表示）跟其他两类花朵区分开。我们写一点代码来寻找切分点在哪里，如下所示：

simple_threshold.py

import numpy as np from sklearn.datasets import load_iris data=load_iris() features = data['data'] labels = data['target_names'][data['target']] plength = features[:,2] is_setosa = (labels == 'setosa') print("Maxinum of setosa: {0}." .format(plength[is_setosa].max())) print("Minimum of others: {0}." .format(plength[~is_setosa].min()))

输出结果如下：

Maxinum of setosa: 1.9.
Minimum of others: 3.0.

现在我们可以通过花瓣长度将山鸢尾花和其他两类花区分开，而且效果非常好，不会出现任何错误。然而，我们却无法立即找到区分维吉尼亚鸢尾花（Iris Virginica）和变色鸢尾花（Iris Vesicolor）的最佳阈值。我们甚至会发现永远都不可能找到完美的划分。不过，我们还是可以尝试一下。下面通过pred（预测结果）和virginica（真实标签）的比较次数的平均值，可以得到正确结果所占的比例，即正确率，我们寻找后两种花分类的最佳阈值。

stump.py

from matplotlib import pyplot as plt from sklearn.datasets import load_iris data = load_iris() features = data['data'] labels = data['target_names'][data['target']] setosa = (labels == 'setosa') features = features[~setosa] labels = labels[~setosa] virginica = (labels ==