6个套路入门ML：用鸢尾花data建立python机器学习的初步

（五）用一些算法进行估计
重点地方到了，机器学习开始发挥作用了。
这部分包括：1、对数据集进行分离（分为训练集、验证集等）；2、采用10倍交叉验证设置测试机制；3、根据鸢尾花测量维度构建5种不同模型来预测其种类；4、选择最佳模型

5.1 建立验证数据集
建立验证数据集的目的是寻找我们所建立的模型中最优者，因此我们需要一部分与机器学习算法独立的数据集，从而采用一些统计方法对这部分未知数据进行评估，以判断我们使用的估计模型的准确性，我们将把加载的数据集分为两部分，其中80％将用于训练我们的模型，20％将被用作验证数据集。

# Split-out validation dataset
array = dataset.values #将数据库转换成数组形式
X = array[:,0:4] #取前四列，即属性数值
Y = array[:,4] #取最后一列，种类
validation_size = 0.20 #验证集规模
seed = 7
X_train, X_validation, Y_train, Y_validation = model_selection.train_test_split(X, Y, test_size=validation_size, random_state=seed) #分割数据集

X_train and Y_train就是训练集，X_validation and Y_validation就是验证集。
5.2 测试机制
采用10倍交叉验证来评估模型的准确性。通过把我们的数据集分为10份，其中9份用于训练，1份用于验证，并重复训练分组的所有组合。

# Test options and evaluation metric
seed = 7
scoring = 'accuracy'

我们设置scoring变量对所构建的每个模型进行评估，其中accuracy用以评估模型的一个度量值，它等于模型正确预测实际数据的数量/数据集中所有数据总数，这一比率乘以100%（比如95%的精确度）。
5.3 构建模型
在不知道哪种算法最好的条件下，根据图形可以看到某些类在某些方面是部分可线性分离的，因此，我们期望一般意义上的好结果。
在这里采用6种算法：逻辑回归（LR）、线性判别分析（LDA）、K最近邻（KNN）、分类和回归树（CART）、高斯朴素贝叶斯（NB）、支持向量机（SVM）。这里综合了简单线性（LR和LDA），非线性（KNN，CART，NB和SVM）算法，我们在每次运行之前重置随机数种子，以确保使用完全相同的数据隔离来执行每个算法的评估，以确保结果直接可以比较。

# Spot Check Algorithms
models = [] #建立列表
models.append(('LR', LogisticRegression())) #往maodels添加元组（算法名称，算法函数）
models.append(('LDA', LinearDiscriminantAnalysis()))
models.append(('KNN', KNeighborsClassifier()))
models.append(('CART', DecisionTreeClassifier()))
models.append(('NB', GaussianNB()))
models.append(('SVM', SVC()))
# evaluate each model in turn
results = []
names = []
for name, model in models: #将算法名称与函数分别读取
    kfold = model_selection.KFold(n_splits=10, random_state=seed) #建立10倍交叉验证
    cv_results = model_selection.cross_val_score(model, X_train, Y_train, cv=kfold, scoring=scoring) #每一个算法模型作为其中的参数，计算每一模型的精度得分
    results.append(cv_results)
    names.append(name)
    msg = "%s: %f (%f)" % (name, cv_results.mean(), cv_results.std()) 
    print(msg) 

5.4 选择最优模型
通过运行，得到每个模型的评估精度：
LR: 0.966667 (0.040825)
LDA: 0.975000 (0.038188)
KNN: 0.983333 (0.033333)
CART: 0.975000 (0.038188)
NB: 0.975000 (0.053359)
SVM: 0.981667 (0.025000)
可以看到KNN的估计精度最高，括号内为估计结果的标准误。
我们还可以绘制模型评估结果的图形，并比较每个模型的差异和平均精度。 每个算法有一个精确度量的群体，因为每个算法被评估10次（10次交叉验证）。

# Compare Algorithms
fig = plt.figure()
fig.suptitle('Algorithm Comparison')
ax = fig.add_subplot(111)
plt.boxplot(results)
ax.set_xticklabels(names)
plt.show()

得到：

Paste_Image.png

算法比较的箱形图，可以看到每个算法精度的上沿基本贴着1，表明模型估计精度较高。

6、预测
在得到KNN算法为测试中最佳模型的基础上，现在我们想了解验证集上模型的准确性。我们将对该算法进行独立性的终极检验，在这里设置验证集的作用体现出来了，以防止训练过程中的失误，比如训练集体过度拟合或者数据遗漏，两者都将导致过于乐观的结果。
我们可以直接在验证集上运行KNN模型，并将结果总结为最终准确度得分，混淆矩阵和分类报告。我们可以看到准确度是0.9或90％。 混淆矩阵提供了三个错误的指示。 最后，分类报告通过精确度，召回率，f1得分和支持显示出优异的结果（授予验证数据集很小）提供每个类别的细目。

# Make predictions on validation dataset
knn = KNeighborsClassifier()
knn.fit(X_train, Y_train) #knn拟合序列集
predictions = knn.predict(X_validation) #预测验证集
print(accuracy_score(Y_validation, predictions)) #验证集精度得分
print(confusion_matrix(Y_validation, predictions)) #混淆矩阵
print(classification_report(Y_validation, predictions)) #分类预测报告

输出以下结果:
0.9

[[ 7 0 0]
[ 0 11 1]
[ 0 2 9]]
（混淆矩阵每一行代表实际类别，每一列代表预测的类别，因此有三个类别，第一行表明类别1的7个被全部预测准确，第二行类别2的12个有11个预测准确，另一个被预测到了类3中；第三行则是11个有9个预测准确，2个杯预测到了类别2，基于此，下边就计算了分类预测精度的报告）
precision recall f1-score support

Iris-setosa 1.00 1.00 1.00 7
Iris-versicolor 0.85 0.92 0.88 12
Iris-virginica 0.90 0.82 0.86 11

avg / total 0.90 0.90 0.90 30

简单介绍一下混淆矩阵：混淆矩阵（confusion matrix），又称为可能性表格或是错误矩阵。它是一种特定的矩阵用来呈现算法性能的可视化效果，通常是监督学习（非监督学习，通常用匹配矩阵：matching matrix）。其每一列代表预测值，每一行代表的是实际的类别。这个名字来源于它可以非常容易的表明多个类别是否有混淆。
最后一行是用support 加权平均算出来的，如0.90= （71.00+120.85+11*0.86）/ 30

总结：通过本文你就可以使用python进行机器学习，基于上面教程，最多需要5到10分钟。
根据上面初步的python机器学习，，笔者认为，完成上面的内容，并不需要你掌握关于编程、机器学习的一切内容：
你不需要了解一切。（至少不是现在）你只需按照教程输入代码并运行,得到结果,你暂时并不需要了解一切,大量使用Python中的帮助（“FunctionName”）来了解您正在使用的所有功能。

你不需要知道算法如何工作。了解选取和如何配置机器学习算法很重要。但是学习算法可以稍后再来。您需要在很长一段时间内慢慢地建立这个算法知识。今天，从平台开始吧。

你不需要是Python程序员。如果您是新手，Python语言的语法比较直观的。就像其他语言一样，这样可以让你大部分时间专注于函数调用（例如函数（））和赋值（例如a =“b”）。若你是一个开发人员，你知道如何真正快速地掌握语言的基础知识。稍后开始深入细节。
您不需要成为机器学习专家。您可以稍后了解各种算法的优点和局限性，还有很多帖子可以以后阅读，以了解机器学习项目的步骤，以及使用交叉验证评估准确性的重要性。
机器学习项目中的其他步骤如何。我们没有涵盖机器学习项目中的所有步骤，因为这是您的第一个项目，我们需要关注关键步骤。即，加载数据，查看数据，评估一些算法并做出一些预测。在后面的教程中，我们可以查看其他数据准备和结果改进任务。
这也是本文的初衷。
本文完整代码见：https://github.com/zhangjuying20000/iris-machine-learning