【机器学习案例】不同的模型算法对鸢尾花数据集进行分类-Toy模板网

这篇具有很好参考价值的文章主要介绍了【机器学习案例】不同的模型算法对鸢尾花数据集进行分类。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

前言：

经典机器学习入门项目，使用逻辑回归、线性判别分析、KNN、分类与回归树、朴素贝叶斯、向量机、随机森林、梯度提升决策树对不同占比的训练集进行分类

原文摘要：

数据源：Iris Species | Kaggle

150行，5列，分三种鸢尾花类型，每种类型50个样本，每行数据包含花萼长度、花萼宽度、花瓣长度、花瓣宽度4个特征的信息

data：记录4个特征的信息和鸢尾花类型

target：以数值的形式记录鸢尾花的种类（0、1、2）

target_names：鸢尾花的种类名称，山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）、维吉尼亚鸢尾（Iris-virginica）

DESCR：备注信息

feature_names：鸢尾花的特征名称，sepal length (cm)、sepal width (cm)、petal length (cm)、petal width (cm)，分别对应花萼长度、花萼宽度、花瓣长度、花瓣宽度4个特征

代码思路

特征相关性观察

训练模型

模型导入

字典形式引用模型

设置训练集占比

train_test_split

KFold

estimator.fit

cross_val_score

accuracy_score

可视化不同训练集比例评估各模型的得分

基础设置

画布设置

生成子图表

特征相关性观察

通过散点矩阵图观察到，鸢尾花的花瓣长度和宽度对鸢尾花类型偏正相关一点

鸢尾花数据集数据分类,机器学习,算法,分类,数据挖掘,机器学习

from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
import pandas as pd

iris = load_iris()

# 散点矩阵图，看各特征之间的相关性
iris_df = pd.DataFrame(iris.data, columns=iris.feature_names)
scatter_corr = pd.plotting.scatter_matrix(iris_df, marker='o', c=iris.target, hist_kwds={'bins': 20})
# plt.show()

参考文章：pandas库scatter_matrix绘图可视化参数详解-CSDN博客

训练模型

模型导入

逻辑回归：是一种线性模型，常用于二元分类问题。
线性判别分析 (LDA)：是一种统计模型，用于分类和判别分析。
KNN ：是一种基于实例的学习算法，在训练数据集中存储实例，并使用这些实例来进行分类。
决策树：是一种树形结构，使用训练数据集中的特征对实例进行分类。
朴素贝叶斯分类器：是一种基于贝叶斯定理的分类器，常用于文本分类。
支持向量机 (SVM)：是一种二分类模型，通过创建一个超平面将数据划分为两个类别。
随机森林：是一种集成学习模型，通过构建多个决策树并取其输出的平均值来进行分类。
梯度提升决策树：也属于决策树的一种，通过迭代训练多个决策树并取其输出的平均值来进行分类。

import numpy as np
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split,KFold,cross_val_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
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import GradientBoostingClassifier

字典形式引用模型

以字典的形式存储模型后续通过循环迭代的方式，应用每个模型在数据集中

models = {}
models["LR"] = LogisticRegression(max_iter=1000)    # 逻辑回归
models["LDA"] = LinearDiscriminantAnalysis()    # 线性判别分析
models["KNN"] = KNeighborsClassifier()  # KNN最近邻
models["CART"] = DecisionTreeClassifier()   # 分类与回归树
models["NB"] = GaussianNB() # 朴素贝叶斯
models["SVM"] = SVC()   # 向量机
models["RF"] = RandomForestClassifier(n_estimators=100)   # 随机森林
models["GBDT"] = GradientBoostingClassifier()   # 梯度提升决策分类

设置训练集占比

建立空列表是为了后续可视化的时候使用（X轴为模型名称、Y轴为模型得分）

model_score_list = [[], [], [], []]    # 用来装模型在验证集上的得分
test_score_list = [[], [], [], []]    # 用来装模型在测试集上的得分
size=[0.6,0.7,0.8,0.9]   # 训练集比例

train_test_split

本文用四个不同的训练集比例去评估模型的分类准确性，因此需要for循环4次

先将数据集划分为四个部分，结合for循环多次划分训练集

因为数据量较少，但每次划分有需要保留部分数据，因此结合stratify、random_state、shuffle参数在每次划分前都打乱数据，且控制随机数量和按鸢尾花种类等比划分

for i in range(4):
    """
    train_size:训练集占比
    stratify:按鸢尾花种类进行分层采样
    random_state:控制随机数生成器的种子数量
    shuffle:先打乱数据再划分
    """
    x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,
                                                     train_size=size[i],
                                                     stratify=iris.target,
                                                     random_state=20,
                                                     shuffle=True)

KFold

在for循环训练集比例时，叠加一个for循环用以遍历各个模型

用K折交叉验证法将训练集划分出来训练模型，并用验证集去验证模型，以此评估模型参数的性能

model_list = []
    for model in models:
        # n_splite:K折交叉验证划分数量
        kf = KFold(n_splits=5,random_state=10,shuffle=True)
        """
        kf.split() 函数只传入了 X_train 作为参数。
        但是，这个函数返回两个值，即训练集索引 train_idx 和验证集索引 val_idx。
        这些索引可以用来从 X_train 和 y_train 中拆分训练集和验证集。
        y_train_fold 和 y_val_fold 是从 y_train 中根据训练集和验证集索引拆分出来的标签集。
        通过使用 train_idx 和 val_idx，可以从 y_train 中选择与训练集和验证集对应的标签，将它们赋值给 y_train_fold 和 y_val_fold。
        这样就可以同时获得拆分后的数据集和标签集。
                                                    -- 文心一言
        """
        estimator = models[model]   # 遍历所有模型

        for train_idx,val_idx in kf.split(x_train):
            x_train_fold,x_val_fold = x_train[train_idx],x_train[val_idx]
            y_train_fold,y_val_fold = y_train[train_idx],y_train[val_idx]

estimator.fit

在每个划分出来的子数据集上训练模型

estimator.fit(x_train_fold, y_train_fold)

cross_val_score

训练后，用验证集和同对应索引下的真实值对比，得出该参数下的模型的准确度

val_score_list = []
            # cross_val_score：评估模型在验证集上的性能
            # accuracy是准确度，precision是精确度
            val_score = cross_val_score(estimator, x_val_fold, y_val_fold, cv=kf, scoring='accuracy')
            val_score = [round(i, 2) for i in val_score]
            val_score_list.append(val_score)

accuracy_score

遍历所有模型后，回到上层训练集占比的遍历，用测试集评估该训练集占比下的

# 用测试集来评估模型性能
        y_pred = estimator.predict(x_test)
        test_score = round(accuracy_score(y_test, y_pred), 2)
        test_score_list[i].append(test_score)

可视化不同训练集比例评估各模型的得分

鸢尾花数据集数据分类,机器学习,算法,分类,数据挖掘,机器学习

参考文章：【matplotlib】浅谈python图形可视化练习经验分享_plt.xtick-CSDN博客

基础设置

#中文显示设置
plt.rcParams['font.sans-serif'] = ['SimHei']      # 用于显示中文
plt.rcParams['axes.unicode_minus'] = False        # 用于解决保存图像是负号‘-’显示为方框的问题
plt.rcParams['font.size'] = '12'                  #用于设置中文大小
plt.rcParams['axes.labelsize'] = plt.rcParams['font.size']  # 设置坐标轴标签的字体大小

画布设置

"""
figsize:画布背景颜色
dpi:清晰度
edgecolor:画布边框颜色
frameon:是否绘制画布图框
"""
fig, axes = plt.subplots(num='可视化不同训练集比例',nrows=2,ncols=4,figsize=(20, 8), dpi=80,
                       edgecolor=None,frameon=False)
plt.subplots_adjust(wspace=0.3,hspace=0.4)  # 控制子图表之间的左右、上下间距
axes = axes.flatten()   # 将n*m形式的子图表结构转换成1*m形式（因为设置了nrows的原因，只设置ncols可以不要这个）

x_label = list(models.keys())   # 获取所有模型的名称
color_list = ['r','g','b','magenta']

生成子图表

for index,ax in enumerate(axes):    # 循环遍历所有子图表并获得其索引下标
    if index < 4:
        ax.bar(x_label, model_score_list[index],width=0.4, color=color_list[index], alpha=0.45)
        # 设置数据标签
        for a,b in zip(x_label,model_score_list[index]):
            ax.text(a,b,b, ha='center', va='bottom')
        # 子图表标题
        ax.set_title('训练集占比为{}验证集得分'.format(size[index]))
        # Y轴刻度
        ax.set_yticks([0.7,0.8,0.9,1])
        # Y轴范围
        ax.set_ylim((0.6, 1.1))

    else:
        ax.bar(x_label, test_score_list[index-4],width=0.4, color=color_list[index-4], alpha=0.45)
        # 设置数据标签
        for a,b in zip(x_label,test_score_list[index-4]):
            ax.text(a,b,b, ha='center', va='bottom')
        # 子图表标题
        ax.set_title('训练集占比为{}测试集得分'.format(size[index-4]))
        # Y轴刻度
        ax.set_yticks([0.9, 0.95,1])
        # Y轴范围
        ax.set_ylim((0.8, 1.1))

完整代码

from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
import pandas as pd

iris = load_iris()

# 散点矩阵图，看各特征之间的相关性
iris_df = pd.DataFrame(iris.data, columns=iris.feature_names)
scatter_corr = pd.plotting.scatter_matrix(iris_df, marker='o', c=iris.target, hist_kwds={'bins': 20})
# plt.show()


# ------------------------------ 使用不同训练集比例评估各模型的得分 ------------------------
import numpy as np
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split,KFold,cross_val_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
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import GradientBoostingClassifier
models = {}
models["LR"] = LogisticRegression(max_iter=1000)    # 逻辑回归
models["LDA"] = LinearDiscriminantAnalysis()    # 线性判别分析
models["KNN"] = KNeighborsClassifier()  # KNN最近邻
models["CART"] = DecisionTreeClassifier()   # 分类与回归树
models["NB"] = GaussianNB() # 朴素贝叶斯
models["SVM"] = SVC()   # 向量机
models["RF"] = RandomForestClassifier(n_estimators=100)   # 随机森林
models["GBDT"] = GradientBoostingClassifier()   # 梯度提升决策树
model_score_list = [[], [], [], []]    # 用来装模型在验证集上的得分
test_score_list = [[], [], [], []]    # 用来装模型在测试集上的得分
size=[0.6,0.7,0.8,0.9]   # 训练集比例
for i in range(4):
    """
    train_size:训练集占比
    stratify:按鸢尾花种类进行分层采样
    random_state:控制随机数生成器的种子数量
    shuffle:先打乱数据再划分
    """
    x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,
                                                     train_size=size[i],
                                                     stratify=iris.target,
                                                     random_state=20,
                                                     shuffle=True)
    model_list = []
    for model in models:
        # n_splite:K折交叉验证划分数量
        kf = KFold(n_splits=5,random_state=10,shuffle=True)
        """
        kf.split() 函数只传入了 X_train 作为参数。
        但是，这个函数返回两个值，即训练集索引 train_idx 和验证集索引 val_idx。
        这些索引可以用来从 X_train 和 y_train 中拆分训练集和验证集。
        y_train_fold 和 y_val_fold 是从 y_train 中根据训练集和验证集索引拆分出来的标签集。
        通过使用 train_idx 和 val_idx，可以从 y_train 中选择与训练集和验证集对应的标签，将它们赋值给 y_train_fold 和 y_val_fold。
        这样就可以同时获得拆分后的数据集和标签集。
                                                    -- 文心一言
        """
        estimator = models[model]   # 遍历所有模型

        for train_idx,val_idx in kf.split(x_train):
            x_train_fold,x_val_fold = x_train[train_idx],x_train[val_idx]
            y_train_fold,y_val_fold = y_train[train_idx],y_train[val_idx]

            # 在每个折叠的子数据集上训练模型
            estimator.fit(x_train_fold, y_train_fold)

            val_score_list = []
            # cross_val_score：评估模型在验证集上的性能
            # accuracy是准确度，precision是精确度
            val_score = cross_val_score(estimator, x_val_fold, y_val_fold, cv=kf, scoring='accuracy')
            val_score = [round(i, 2) for i in val_score]
            val_score_list.append(val_score)

        val_mean_score = round(np.mean(val_score_list), 2)
        model_score_list[i].append(val_mean_score)
        model_list.append(val_score_list)

        # 用测试集来评估模型性能
        y_pred = estimator.predict(x_test)
        test_score = round(accuracy_score(y_test, y_pred), 2)
        test_score_list[i].append(test_score)

        print("训练集比例为{}的{}模型在验证集上的得分为{}".format(size[i], model, val_mean_score))
        print("训练集比例为{}的{}模型在测试集上的得分为{}".format(size[i], model, test_score))
    print('\n', '-' * 100, '\n')

    test_score_list.append(test_score_list[i])

print(model_score_list)
print(test_score_list)


# ------------------------------ 可视化不同训练集比例评估各模型的得分 ------------------------
#中文显示设置
plt.rcParams['font.sans-serif'] = ['SimHei']      # 用于显示中文
plt.rcParams['axes.unicode_minus'] = False        # 用于解决保存图像是负号‘-’显示为方框的问题
plt.rcParams['font.size'] = '12'                  #用于设置中文大小
plt.rcParams['axes.labelsize'] = plt.rcParams['font.size']  # 设置坐标轴标签的字体大小

"""
figsize:画布背景颜色
dpi:清晰度
edgecolor:画布边框颜色
frameon:是否绘制画布图框
"""
fig, axes = plt.subplots(num='可视化不同训练集比例',nrows=2,ncols=4,figsize=(20, 8), dpi=80,
                       edgecolor=None,frameon=False)
plt.subplots_adjust(wspace=0.3,hspace=0.4)  # 控制子图表之间的左右、上下间距
axes = axes.flatten()   # 将n*m形式的子图表结构转换成1*m形式（因为设置了nrows的原因，只设置ncols可以不要这个）

x_label = list(models.keys())   # 获取所有模型的名称
color_list = ['r','g','b','magenta']
for index,ax in enumerate(axes):    # 循环遍历所有子图表并获得其索引下标
    if index < 4:
        ax.bar(x_label, model_score_list[index],width=0.4, color=color_list[index], alpha=0.45)
        # 设置数据标签
        for a,b in zip(x_label,model_score_list[index]):
            ax.text(a,b,b, ha='center', va='bottom')
        # 子图表标题
        ax.set_title('训练集占比为{}验证集得分'.format(size[index]))
        # Y轴刻度
        ax.set_yticks([0.7,0.8,0.9,1])
        # Y轴范围
        ax.set_ylim((0.6, 1.1))

    else:
        ax.bar(x_label, test_score_list[index-4],width=0.4, color=color_list[index-4], alpha=0.45)
        # 设置数据标签
        for a,b in zip(x_label,test_score_list[index-4]):
            ax.text(a,b,b, ha='center', va='bottom')
        # 子图表标题
        ax.set_title('训练集占比为{}测试集得分'.format(size[index-4]))
        # Y轴刻度
        ax.set_yticks([0.9, 0.95,1])
        # Y轴范围
        ax.set_ylim((0.8, 1.1))

plt.show()

参考文章：

机器学习-鸢尾花(Iris Flower)分类_鸢尾花机器学习_超级干饭王的博客-CSDN博客

鸢尾花的分类（四种方法）_鸢尾花数据集分类-CSDN博客

KFold.split的使用-CSDN博客

cross_val_score的用法-CSDN博客

【Python学习】 - sklearn学习 - 数据集分割方法 - 随机划分与K折交叉划分与StratifiedKFold与StratifiedShuffleSplit_sklearn 数据集划分-CSDN博客文章来源地址https://www.toymoban.com/news/detail-765200.html

到了这里，关于【机器学习案例】不同的模型算法对鸢尾花数据集进行分类的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！