机器学习鸢尾花数据集分析

秒速五厘米 2024-04-06 10:36 120阅读 0赞

#### 目录 ####

*  1 sklearn数据集的使用
 *  2 sklearn数据集返回值介绍
 *  3 查看数据分布
 *  4 数据集的划分
 *  5 总结

--------------------

## 1 sklearn数据集的使用 ##

鸢尾属（拉丁学名：Iris L.）是单子叶植物纲，鸢尾科多年生草本植物，有块茎或匍匐状根茎；叶剑形，嵌叠状；花美丽，花序生于分枝的顶端或仅在花茎顶端生1朵花；花较大；花被花瓣状，有一长或短的管，外弯，花柱分枝扩大，花瓣状而有颜色，外展而覆盖着雄蕊；子房下位，胚珠多数，果为蒴果。  
本属模式种：德国鸢尾（Iris germanica L. ）原产欧洲，中国各地常见栽培。  
鸢尾属约300种，分布于北温带 \[1\] ，少数入药，鸢尾根茎为诱吐剂或缓下剂，具消炎作用。  
该属植物鸢尾花大而美丽，叶片青翠碧绿，观赏价值很高。很多种类供庭园观赏用，在园林中可用作布置花坛，栽植于水湿畦地、池边湖畔，或布置成鸢尾专类花园，亦可作切花及地被植物，是一种重要的庭园植物。

机器学习Sklearn数据集：[https://blog.csdn.net/ZGL\_cyy/article/details/125469443][https_blog.csdn.net_ZGL_cyy_article_details_125469443]

*  以鸢尾花数据集为例：

![在这里插入图片描述][3802bc26e2264f738bdcee3d5d20b9ea.png]

## 2 sklearn数据集返回值介绍 ##

*  load
    
    和fetch
    
    返回的数据类型datasets.base.Bunch(字典格式)
    
     *  data：特征数据数组，是 \[n\_samples \* n\_features\] 的二维 numpy.ndarray 数组
     *  target：标签数组，是 n\_samples 的一维 numpy.ndarray 数组
     *  DESCR：数据描述
     *  feature\_names：特征名,新闻数据，手写数字、回归数据集没有
     *  target\_names：标签名

from sklearn.datasets import load_iris
    # 获取鸢尾花数据集
    iris = load_iris()
    print("鸢尾花数据集的返回值：\n", iris)
    # 返回值是一个继承自字典的Bench
    print("鸢尾花的特征值:\n", iris["data"])
    print("鸢尾花的目标值：\n", iris.target)
    print("鸢尾花特征的名字：\n", iris.feature_names)
    print("鸢尾花目标值的名字：\n", iris.target_names)
    print("鸢尾花的描述：\n", iris.DESCR)

运行结果：  
![在这里插入图片描述][08621ce77ba24a3ea6158a1adc3dd11c.png]

![在这里插入图片描述][fd04461d3f6041999b3f712ecddec5ff.png]

## 3 查看数据分布 ##

通过创建一些图，以查看不同类别是如何通过特征来区分的。 在理想情况下，标签类将由一个或多个特征对完美分隔。 在现实世界中，这种理想情况很少会发生。

*  seaborn介绍
    
     *  Seaborn 是基于 Matplotlib 核心库进行了更高级的 API 封装，可以让你轻松地画出更漂亮的图形。而 Seaborn 的漂亮主要体现在配色更加舒服、以及图形元素的样式更加细腻。
     *  安装 pip3 install seaborn
     *  seaborn.lmplot() 是一个非常有用的方法，它会在绘制二维散点图时，自动完成回归拟合
        
         *  sns.lmplot() 里的 x, y 分别代表横纵坐标的列名,
         *  data= 是关联到数据集,
         *  hue=\*代表按照 species即花的类别分类显示,
         *  fit\_reg=是否进行线性拟合。
     *  [参考链接: api链接][api]

import seaborn as sns
    import matplotlib.pyplot as plt
    import pandas as pd
    
    # 把数据转换成dataframe的格式
    iris_d = pd.DataFrame(iris['data'], columns = ['Sepal_Length', 'Sepal_Width', 'Petal_Length', 'Petal_Width'])
    iris_d['Species'] = iris.target
    
    def plot_iris(iris, col1, col2):
        sns.lmplot(x = col1, y = col2, data = iris, hue = "Species", fit_reg = False)
        plt.xlabel(col1)
        plt.ylabel(col2)
        plt.title('鸢尾花种类分布图')
        plt.show()
    plot_iris(iris_d, 'Petal_Width', 'Sepal_Length')

![image-20190225193311519][]

## 4 数据集的划分 ##

机器学习一般的数据集会划分为两个部分：

**思考：拿到的数据是否全部都用来训练一个模型？**

*  训练数据：用于训练，**构建模型**
 *  测试数据：在模型检验时使用，用于**评估模型是否有效**

划分比例：

*  训练集：70% 80% 75%
 *  测试集：30% 20% 30%

**数据集划分api**

*  sklearn.model\_selection.train\_test\_split(
    
    arrays, \*
    
    options)
    
     *  x 数据集的特征值
     *  y 数据集的标签值
     *  test\_size 测试集的大小，一般为float
     *  random\_state 随机数种子,不同的种子会造成不同的随机采样结果。相同的种子采样结果相同。
     *  return 测试集特征训练集特征值值，训练标签，测试标签(默认随机取)

from sklearn.datasets import load_iris
    from sklearn.model_selection import train_test_split
    
    
    def datasets_demo():
        """
        对鸢尾花数据集的演示
        :return: None
        """
        # 1、获取鸢尾花数据集
        iris = load_iris()
        print("鸢尾花数据集的返回值：\n", iris)
        # 返回值是一个继承自字典的Bench
        print("鸢尾花的特征值:\n", iris["data"])
        print("鸢尾花的目标值：\n", iris.target)
        print("鸢尾花特征的名字：\n", iris.feature_names)
        print("鸢尾花目标值的名字：\n", iris.target_names)
        print("鸢尾花的描述：\n", iris.DESCR)
    
        # 2、对鸢尾花数据集进行分割
        # 训练集的特征值x_train 测试集的特征值x_test 训练集的目标值y_train 测试集的目标值y_test
        x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)
        print("x_train:\n", x_train.shape)
        # 随机数种子
        x_train1, x_test1, y_train1, y_test1 = train_test_split(iris.data, iris.target, random_state=6)
        x_train2, x_test2, y_train2, y_test2 = train_test_split(iris.data, iris.target, random_state=6)
        print("如果随机数种子不一致：\n", x_train == x_train1)
        print("如果随机数种子一致：\n", x_train1 == x_train2)
    
        return None

运行结果：

x_train:
     (112, 4)

![在这里插入图片描述][e1e29d835aac495c8c2ec000d86567a4.png]

## 5 总结 ##

*  获取数据集【知道】
    
     *  小数据:
        
         *  sklearn.datasets.load\_\*
     *  大数据集:
        
         *  sklearn.datasets.fetch\_\*
 *  数据集返回值介绍【知道】
    
     *  返回值类型是bunch–是一个字典类型
     *  返回值的属性:
        
         *  data：特征数据数组
         *  target：标签(目标)数组
         *  DESCR：数据描述
         *  feature\_names：特征名,
         *  target\_names：标签(目标值)名
 *  数据集的划分【掌握】
    
     *  sklearn.model\_selection.train\_test\_split(arrays, \*options)
     *  参数:
        
         *  x – 特征值
         *  y – 目标值
         *  test\_size – 测试集大小
         *  ramdom\_state – 随机数种子
     *  返回值:
        
         *  x\_train, x\_test, y\_train, y\_test

[https_blog.csdn.net_ZGL_cyy_article_details_125469443]: https://blog.csdn.net/ZGL_cyy/article/details/125469443
[3802bc26e2264f738bdcee3d5d20b9ea.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/17d24c2075e94dd1a3a5711e2db4c400.png
[08621ce77ba24a3ea6158a1adc3dd11c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/6f070ba2d4b542fd8201a7421125844e.png
[fd04461d3f6041999b3f712ecddec5ff.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/911442e71a724991ab3ad004f5f11960.png
[api]: http://seaborn.pydata.org/
[image-20190225193311519]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/b0d5effed4c84080b6336d0317c9fc11.jpeg
[e1e29d835aac495c8c2ec000d86567a4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/5755b822e2fa4cea9e897571f8e5657a.png