通过Python编程语言实现机器学习小项目教程案例

通过Python编程语言实现机器学习小项目教程案例

1. 项目背景与目标

本教程将带领读者使用Python实现一个经典的机器学习分类项目——鸢尾花分类。这个项目被广泛用于机器学习教学，因其数据集质量高、特征明确，非常适合作为入门项目。

项目目标：

• 实现鸢尾花种类的自动分类（Setosa/Versicolor/Virginica）
• 掌握机器学习项目标准流程
• 实践数据预处理和特征工程
• 比较不同机器学习算法的效果
• 学习模型评估与优化方法

2. 开发环境准备

2.1 所需工具

• Python 3.8+
• Jupyter Notebook（推荐）
• 常用科学计算库

2.2 环境搭建

# 使用pip安装必要库
pip install numpy pandas matplotlib seaborn scikit-learn

2.3 库版本验证

import sys
import numpy as np
import pandas as pd
import sklearn

print(f"Python版本: {
     sys.version[:5]}")
print(f"Numpy版本: {
     np.__version__}")
print(f"Pandas版本: {
     pd.__version__}")
print(f"Scikit-learn版本: {
     sklearn.__version__}")

3. 数据集介绍与加载

3.1 数据集特性

使用经典的Iris数据集，包含：

• 150个样本（每类50个）
• 4个特征：
  • 萼片长度（sepal length）
  • 萼片宽度（sepal width）
  • 花瓣长度（petal length）
  • 花瓣宽度（petal width）
• 3个类别标签

3.2 数据加载

from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
feature_names = [name.replace(' (cm)', '') for name in iris.feature_names]
target_names = iris.target_names

# 转换为DataFrame
df = pd.DataFrame(X, columns=feature_names)
df['species'] = y
df['species'] = df['species'].map({
   0: 'setosa', 1: 'versicolor', 2: 'virginica'})

4. 数据探索与可视化

4.1 数据概览

print("=" * 60)
print("数据前5行:")
print(df.head())
print("\n数据集描述:")
print(df.describe())
print("\n类别分布:")
print(df['species'].value_counts())

运行输出：

4.2 可视化分析

import matplotlib.pyplot as plt
import seaborn as sns

# 特征分布直方图
plt.figure(figsize=(12, 8))
for i, feature in enumerate(feature_names):
    plt.subplot(2, 2, i + 1)
    sns.violinplot(x='species', y=feature, data=df)
    plt.title(f"{
     feature}分布")
plt.tight_layout()
plt.show()

# 特征相关性分析
plt.figure(figsize=(8, 6))
corr = df.iloc[:, :4].corr()
sns.heatmap(corr, annot=True, cmap='coolwarm', fmt=".2f")
plt.title("特征相关性热力图")
plt.show()

可视化输出如下：

5. 数据预处理

5.1 数据清洗

# 检查缺失值
print("=" * 60)
print("缺失值统计:")
print(df.isnull().sum())

# 检查异常值
Q1 = df.iloc[:, :4].quantile(0.25)
Q3 = df.iloc[:, :4].quantile(0.75)
IQR = Q3 - Q1
outliers = ((df.iloc[:, :4] < (Q1 - 1.5 * IQR)) | (df.iloc[:, :4] > (Q3 + 1.5 * IQR)))
print("\n异常值统计:")
print(outliers.sum())

运行输出如下：

5.2 数据分割