机器学习知识点

1鸢尾花分类

鸢尾花分类问题是一个经典的机器学习问题，旨在根据鸢尾花的花萼长度、花萼宽度、花瓣长度和花瓣宽度等特征，将鸢尾花分成三个品种：山鸢尾（setosa）、变色鸢尾（versicolor）和维吉尼亚鸢尾（virginica）。

这个问题常用的解决方法是使用机器学习算法来构建一个分类器，然后使用该分类器对新的鸢尾花样本进行分类。常用的分类算法包括支持向量机（SVM）、K近邻（K-Nearest Neighbors）、决策树（Decision Tree）等。

在解决鸢尾花分类问题时，通常采取以下步骤：

数据获取与准备： 首先，需要收集包含鸢尾花样本的数据集，常用的是经典的鸢尾花数据集，例如iris数据集。然后，对数据进行预处理，包括数据清洗、特征选择、特征缩放等。
选择模型： 选择适合问题的分类模型，常见的包括支持向量机（SVM）、K近邻（K-Nearest Neighbors）、决策树（Decision Tree）、随机森林（Random Forest）等。
训练模型： 使用训练数据对选择的模型进行训练，这一过程会使模型根据数据学习到相应的规律或模式。
模型评估： 使用测试数据评估模型的性能，通常使用准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值等指标来评估模型的表现。
模型调优： 根据评估结果，对模型进行调优，例如调整模型的超参数、选择更合适的特征等，以提高模型的性能。
模型应用： 最终，将训练好的模型用于实际问题中，对新的鸢尾花样本进行分类预测。

题目描述：

要求： 鸢尾花分类问题，我们可以通过python的sklearn库,给出预测结果和实际值的对比，并且给出正确率评分。

1、导入sklearn库，包括需要用到的数据集dataset.load_iris()、svm分类器工具和、模型用到的数据集拆分工具。
2、使用python命令导入数据，并且设置好训练集和测试集。
3、创建svm.LinearSVC分类器
4、使用分类器clf的fit方法进行拟合训练
5、使用分类器clf的predict方法对测试集数据进行预测
6、对比测试集的预测结果和测试集的真实结果，并且使用clf的score方法获得预测准确率。

代码：

from sklearn import datasets  # 导入数据集模块
from sklearn import svm  # 导入支持向量机模块
from sklearn.model_selection import train_test_split  # 导入数据集拆分工具
# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data  # 特征数据
y = iris.target  # 类别标签
# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
# 创建线性支持向量机分类器
clf = svm.LinearSVC()
# 使用训练集训练分类器
clf.fit(X_train, y_train)
# 对测试集进行预测
y_predict = clf.predict(X_test)
# 对比预测结果和真实结果，并输出
comparison = ['预测值: ' + str(a) + ' 实际类别: ' + str(b) for a, b in zip(y_predict, y_test)]
for comp in comparison:print(comp)
# 输出分类器在测试集上的准确率
print(f'准确率:{clf.score(X_test, y_test)}')

结果如图：

2 KNN算法

K近邻（K-Nearest Neighbors，KNN）算法是一种基本的分类和回归方法。其基本思想是：对于新的样本数据，通过计算其与训练集中的样本的距离，然后选取距离最近的K个样本，根据这K个样本的类别（对于分类问题）或者值（对于回归问题），通过多数表决或者加权平均的方式确定新样本的类别或者值。

在KNN算法中，K是一个用户定义的常数，表示选择最近邻的数量。K的选择会直接影响到算法的性能，一般来说，K值越小，模型对噪声和孤立点的敏感度越高，而K值越大，模型的平滑程度越高，但也可能导致模型欠拟合。

KNN算法不需要显式的训练过程，而是将训练集中的数据保存起来，当需要对新的样本进行预测时，直接在保存的数据集中进行搜索和计算。因此，KNN算法是一种懒惰学习（lazy learning）算法。

KNN算法的优点包括简单易懂、易于实现以及在训练集较大的情况下表现良好。然而，KNN算法的缺点也很明显，主要包括对数据集的高度依赖、计算复杂度高、对于高维数据和大规模数据集的效率低下等。

题目描述：

使用K近邻算法，构建一个预测鸢尾花种类的模型。

要求

加载鸢尾花数据集
对数据集进行划分：参数test_size=0.2,random_state=2
构建KNN模型：调用sklearn中的函数进行构建
训练模型
预测模型：选取测试集中的第3组数据(下标为2)进行预测
输出得到的预测值和真实值

代码：

from sklearn import datasets  # 导入数据集模块# 加载鸢尾花数据集
iris = datasets.load_iris()
x = iris.data  # 特征数据
y = iris.target  # 类别标签# 划分数据集
from sklearn.model_selection import train_test_split
# 将数据集划分为训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=2)# 构建模型
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=3)  # 使用K近邻算法，设置邻居数为3# 训练模型
knn.fit(x_train, y_train)# 模型预测
x_to_predict = x_test[2].reshape(1, -1)  # 选取测试集中的第3组数据(下标为2)进行预测
y_predicted = knn.predict(x_to_predict)# 输出预测值和真实值
print("预测值：" + str(y_predicted))  # 输出预测的类别
print("真实值：" + str(y_test[2]))  # 输出该样本在测试集中的真实类别

结果如图：

3策树分类模型

决策树是一种基于树状结构的监督学习算法，用于解决分类和回归问题。在决策树中，每个内部节点表示一个特征属性上的判断条件，每个分支代表一个判断结果，每个叶子节点表示最终的分类结果或数值预测结果。

决策树的构建过程是一个递归地选择最佳特征进行分裂的过程，直到满足停止条件为止。在构建决策树时，一般会使用信息增益、基尼不纯度等指标来选择最佳的特征进行分裂，以使得每次分裂后的数据集更加纯净（即同一类别的样本更加集中）。

以下是决策树分类的一些重要知识点：

节点与叶子节点：决策树由节点和叶子节点组成。节点表示一个特征属性上的判断条件，叶子节点表示最终的分类结果。
分裂准则：在构建决策树时，需要确定节点分裂的准则。常用的准则包括信息增益、基尼不纯度等，用于选择最佳的特征进行分裂。
剪枝：为了避免过拟合，决策树需要进行剪枝操作。剪枝可以分为预剪枝（在构建树的过程中进行剪枝）和后剪枝（在构建完整棵树后再进行剪枝）。
特征选择：在每个节点上，需要选择最佳的特征进行分裂。常用的特征选择方法有信息增益、基尼指数、方差等。
决策树的优缺点：
- 优点：易于理解和解释，可视化效果好，能够处理数值型和类别型数据，对缺失值不敏感。
- 缺点：容易过拟合，对噪声数据敏感，不稳定，需要进行剪枝操作。
集成学习中的应用：决策树常被用于集成学习方法中，如随机森林和梯度提升树。这些方法通过组合多个决策树来提高分类准确率和泛化能力。

题目描述：

对红酒数据集创建决策树分类模型，并输出每个特征的评分。

要求

从sklearn的datasets模块中导入load_wine 包，读取红酒数据集，
转换为DataFrame格式，将数据集划分为特征样本和标签样本，
使用该数据集建立决策树分类模型，树深设置为5，随机种子设置为1，其他值设置为默认值
将数据放入模型中进行训练，要求输出每个特征的评分。

代码：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_wine# 加载红酒数据集
wine = load_wine()# 创建DataFrame格式的特征样本和标签样本
x_train = pd.DataFrame(data=wine["data"], columns=wine["feature_names"])  # 特征样本
y_train = wine["target"]  # 标签样本# 建立决策树分类模型
model = DecisionTreeClassifier(max_depth=5, random_state=1)
model.fit(x_train, y_train)  # 模型训练# 输出每个特征的评分（特征重要性）
print("每个特征的评分（特征重要性）:")
for feature, importance in zip(wine["feature_names"], model.feature_importances_):print(f"{feature}：{importance:.4f}")  # 对每个特征列进行评分