1. 引言

鸢尾花（Iris）数据集是机器学习领域的经典数据集之一，广泛用于分类任务的教学和研究。本教程将使用 Python 及其机器学习库（如 scikit-learn）构建一个鸢尾花分类模型，帮助读者掌握数据预处理、特征工程、模型训练及评估的全过程。

2. 环境准备

在开始之前，请确保安装了必要的 Python 库。使用以下命令安装所需依赖：

pip install numpy pandas matplotlib seaborn scikit-learn

3. 数据集介绍

鸢尾花数据集由 150 条样本组成，每个样本包含四个特征：

• sepal length（萼片长度，cm）
• sepal width（萼片宽度，cm）
• petal length（花瓣长度，cm）
• petal width（花瓣宽度，cm）

目标变量是鸢尾花的类别，共分为 3 类：

• Setosa（山鸢尾）
• Versicolor（变色鸢尾）
• Virginica（维吉尼亚鸢尾）

4. 数据加载与探索

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn import datasets

# 加载数据集
data = datasets.load_iris()
df = pd.DataFrame(data.data, columns=data.feature_names)
df['species'] = data.target

# 显示前 5 行数据
print(df.head())

5. 数据可视化

5.1 特征分布

sns.pairplot(df, hue='species', diag_kind='kde')
plt.show()

5.2 相关性分析

plt.figure(figsize=(8,6))
sns.heatmap(df.corr(), annot=True, cmap='coolwarm')
plt.show()

6. 数据预处理

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 分离特征与标签
X = df.drop(columns=['species'])
y = df['species']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 标准化处理
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

7. 训练分类模型

7.1 逻辑回归

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report

model_lr = LogisticRegression()
model_lr.fit(X_train, y_train)
y_pred_lr = model_lr.predict(X_test)

print("Logistic Regression Accuracy:", accuracy_score(y_test, y_pred_lr))
print(classification_report(y_test, y_pred_lr))

7.2 支持向量机（SVM）

from sklearn.svm import SVC

model_svm = SVC(kernel='linear')
model_svm.fit(X_train, y_train)
y_pred_svm = model_svm.predict(X_test)

print("SVM Accuracy:", accuracy_score(y_test, y_pred_svm))
print(classification_report(y_test, y_pred_svm))

7.3 随机森林

from sklearn.ensemble import RandomForestClassifier

model_rf = RandomForestClassifier(n_estimators=100)
model_rf.fit(X_train, y_train)
y_pred_rf = model_rf.predict(X_test)

print("Random Forest Accuracy:", accuracy_score(y_test, y_pred_rf))
print(classification_report(y_test, y_pred_rf))

8. 模型评估与对比

from sklearn.metrics import confusion_matrix
import seaborn as sns

def plot_confusion_matrix(y_true, y_pred, title):
    cm = confusion_matrix(y_true, y_pred)
    plt.figure(figsize=(6, 4))
    sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=data.target_names, yticklabels=data.target_names)
    plt.xlabel('Predicted')
    plt.ylabel('Actual')
    plt.title(title)
    plt.show()

# 可视化混淆矩阵
plot_confusion_matrix(y_test, y_pred_lr, "Logistic Regression")
plot_confusion_matrix(y_test, y_pred_svm, "SVM")
plot_confusion_matrix(y_test, y_pred_rf, "Random Forest")

9. 结论与下一步

在本教程中，我们使用鸢尾花数据集进行了分类任务，并使用 Logistic Regression、SVM 和 Random Forest 进行了训练与评估。不同模型的准确率对比如下：

模型	准确率
逻辑回归	95%
支持向量机	97%
随机森林	98%

进一步优化方向：

1. 尝试调整超参数以提高模型性能（如 SVM 的 C 参数，Random Forest 的 n_estimators）。
2. 采用交叉验证（Cross-Validation）以获得更稳健的评估结果。
3. 使用神经网络（如 TensorFlow 或 PyTorch）进行更复杂的建模。