Python入门课| 11. 简单机器学习入门

1. 简单机器学习入门

💡 机器学习简介

机器学习 (Machine Learning, ML) 是一门多学科交叉的领域，它致力于研究如何让计算机系统通过数据而非明确编程来学习和改进性能。

简单来说，机器学习就是：

  允许计算机在没有被明确告知如何执行任务的情况下，通过对数据模式的识别和提取，自动完成任务。

核心概念：

• 训练 (Training): 机器通过分析大量已知数据（即训练数据）来建立一个数学模型，这个过程就是“学习”。

• 模型 (Model): 学习过程的输出，它可以是一个数学公式、一组规则或一个复杂的神经网络结构。模型用于从新数据中进行预测或决策。

• 预测 (Prediction): 使用训练好的模型对未知数据进行推断。

机器学习的主要类型

🤖 使用 Scikit-learn 进行分类：鸢尾花数据集 (KNN)

Scikit-learn (Sklearn) 是一个开源的机器学习库，建立在 NumPy、SciPy 和 Matplotlib 这些科学计算库之上，提供了简单高效的数据挖掘和数据分析工具。

以下演示了一个标准的分类任务流程，使用经典的鸢尾花 (Iris) 数据集和 K 最近邻 (KNN) 算法。

k 近邻 (KNN) 是一种非参数的监督学习方法，它通过计算一个数据点与训练集中所有点的距离，然后将其分配给距离最近的 k 个数据点中出现频率最高的类别（对于分类问题）或平均值（对于回归问题）。

k 近邻 (KNN) 通过度量距离来寻找最相似的 k 个训练样本，然后用它们多数（分类）或平均（回归）的属性来决定新样本的属性。

📜 机器学习流程 整个流程分为七个步骤：

1. 导入库

2. 加载数据

3. 数据集划分 (训练集/测试集)

4. 特征缩放（标准化）

5. 选择模型并训练

6. 评估模型

7. 可视化结果（可选）

导入库和加载数据

import numpy as np   # 数据处理库import pandas as pd  # 数据处理库import matplotlib.pyplot as plt  # 绘制图库from sklearn.datasets import load_iris # 加载鸢尾花数据集from sklearn.model_selection import train_test_split # 数据集划分from sklearn.preprocessing import StandardScaler   # 数据标准化from sklearn.neighbors import KNeighborsClassifier # KNN分类器from sklearn.metrics import accuracy_score  # 准确率评估# 加载鸢尾花数据集iris = load_iris()# 将数据转化为 pandas DataFrameX = pd.DataFrame(iris.data, columns=iris.feature_names)  # 特征数据 (X)y = pd.Series(iris.target)  # 标签数据 (y)# 数据预览print(X)

     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm) 

0                  5.1               3.5                1.4               0.2 

1                  4.9               3.0                1.4               0.2 

2                  4.7               3.2                1.3               0.2 

3                  4.6               3.1                1.5               0.2 

4                  5.0               3.6                1.4               0.2 

..                 ...               ...                ...               ... 

145                6.7               3.0                5.2               2.3 

146                6.3               2.5                5.0               1.9 

147                6.5               3.0                5.2               2.0 

148                6.2               3.4                5.4               2.3 

149                5.9               3.0                5.1               1.8  

[150 rows x 4 columns]

print(y)

0      0 

1      0 

2      0 

3      0 

4      0  

     .. 

145    2 

146    2 

147    2 

148    2 

149    2 

Length: 150, dtype: int64

数据集划分和特征缩放

将数据划分为训练集和测试集（80% 训练，20% 测试），然后对特征进行标准化处理，使其均值为 0，标准差为 1。

# 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)# 标准化特征scaler = StandardScaler()# 在训练集上 fit_transformX_train = scaler.fit_transform(X_train)# 在测试集上 transform (使用训练集拟合的参数)X_test = scaler.transform(X_test)print("\n--- 特征标准化完成 ---")print(f"训练集特征形状: {X_train.shape}")print(f"测试集特征形状: {X_test.shape}")

--- 特征标准化完成 --- 

训练集特征形状: (120, 4)

 测试集特征形状: (30, 4)

模型训练和评估

# 创建 KNN 分类器并训练knn = KNeighborsClassifier(n_neighbors=3)# 训练模型knn.fit(X_train, y_train)# 评估模型# 预测测试集y_pred = knn.predict(X_test)# 计算准确率accuracy = accuracy_score(y_test, y_pred)print("\n--- 模型评估结果 ---")print(f'模型准确率: {accuracy:.2f}')

--- 模型评估结果 --- 

模型准确率: 1.00

可视化结果

将测试集的结果可视化。由于鸢尾花数据集是四维的，这里简化为只绘制前两个特征的散点图，并用预测的类别着色。

# 可视化结果（仅使用前两个特征进行二维展示）plt.figure(figsize=(8, 6))# 使用预测的类别 (y_pred) 作为颜色# X_test[:, 0] 是第一个特征（萼片长度），X_test[:, 1] 是第二个特征（萼片宽度）plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, cmap='viridis', marker='o', edgecolor='k', s=50)# 添加颜色条和标签cbar = plt.colorbar(ticks=np.unique(y_pred))cbar.set_ticklabels(iris.target_names)plt.title("KNN Classification Results (Feature 1 vs Feature 2)")plt.xlabel("Scaled Sepal Length")plt.ylabel("Scaled Sepal Width")plt.grid(True, linestyle='--', alpha=0.6)plt.show()