6个套路入门ML：用鸢尾花data建立python机器学习的初步
注：这是一篇翻译文章，来自于
Your First Machine Learning Project in Python Step-By-Step - Machine Learning Mastery**，标题为《Your First Machine Learning Project in PythonStep-By-Step》；即一步步带你入门第一个python机器学习项目；包括的内容有：1、python的机器学习需要哪些准备？2、导入数据3、数据的统计描述4、数据的可视化5、用一些算法进行估计6、进行一些预测。
就像作者在文后说的，通过用python做这个项目，不需要知道关于机器学习的专业性内容，只需要按照python代码把结果做出来，能够分析就行。
但是，我认为以机器学习之博大精深，这个项目只是管中窥豹，之所以把这篇文章拿出来，我认为它帮我们初步感受到了python机器学习的一整套基本流程，以及对机器学习的基本印象。
（一）事前的准备（本教程假定Python版本为2.7或3.5。）
在做机器学习之前，要安装5个库：scipy、numpy、matplotlib、pandas、sklearn
这5个库主要是用来进行数值运算、计算、绘图、数据分析以及数据挖掘的库，具体每个库作用及其安装可以去网上搜索就知道了，这点作者也在文中说了一下。
值得注意的是python3版本在windows系统下安装scipy，需要去网站：
Python Extension Packages for Windows**，下载whl文件，然后再去安装。
但是，在这之前，由于Scipy的安装需要依赖MKL库，官方的Numpy不包含MKL，故从Python Extension Packages for Windows** 下载合适版本的包含MKL库的第三方Numpy+mkl库，然后在cmd下进入到Python安装目录下的scripts文件下使用 pipinstall 路径+whl文件来安装（具体可以去搜索一下）。
对于sklearn库的安装，如果你已经安装了scipy、numpy库，直接在cmd下采用升级的方式安装，这是因为sklearn建立在NumPy，SciPy和matplotlib模块之上：
pip install -U scikit-learn
检查安装的库是否成功及其版本
# Check the versions of libraries
# Python version
import sys
print('Python: {}'.format(sys.version))
# scipy
import scipy
print('scipy: {}'.format(scipy.__version__))
# numpy
import numpy
print('numpy: {}'.format(numpy.__version__))
# matplotlib
import matplotlib
print('matplotlib: {}'.format(matplotlib.__version__))
# pandas
import pandas
print('pandas: {}'.format(pandas.__version__))
# scikit-learn
import sklearn
print('sklearn: {}'.format(sklearn.__version__))
（二）导入数据
导入库
# Load libraries
import pandas
from pandas.tools.plotting import scatter_matrix #导入散点图矩阵包
import matplotlib.pyplot as plt
from sklearn import model_selection #模型比较和选择包
from sklearn.metrics import classification_report #将主要分类指标以文本输出
from sklearn.metrics import confusion_matrix #计算混淆矩阵，主要来评估分类的准确性
from sklearn.metrics import accuracy_score #计算精度得分
from sklearn.linear_model import LogisticRegression #线性模型中的逻辑回归
from sklearn.tree import DecisionTreeClassifier #树算法中的决策树分类包
from sklearn.neighbors import KNeighborsClassifier #导入最近邻算法中的KNN最近邻分类包
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis #判别分析算法中的线性判别分析包
from sklearn.naive_bayes import GaussianNB #朴素贝叶斯中的高斯朴素贝叶斯包
from sklearn.svm import SVC #支持向量机算法中的支持向量分类包
上述导入各种程序包主要来自于sklearn的包，具体可以参见
http://scikit-learn.org/dev/index.html
对python机器学习中sklearn各种包的介绍。
接下来再导入数据.
# Load dataset
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"
names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class']
dataset = pandas.read_csv(url, names=names) #读取csv数据
注：这里是从某一网页导入数据，但是如果网页打不开很可能就导入不了，事实上，在python的sklearn数据库中自带鸢尾花数据集，在这里可以通过sklearn导入。
from sklearn import datasets
iris = datasets.load_iris()
（三）数据的描述性统计
这一步主要是对数据的结构、变量等进行初步了解，包括对数据的维度（样本量、变量个数等）进行了解、详细考察数据本身、所有属性的描述性统计、按照不同类别对数据进行细分。
首先是对数据的维度（样本量、变量个数等）进行了解。
# shape
print(dataset.shape)
输出结果为：(150, 5)，即该数据有150个样本值以及5个变量（属性）。
其次是详细考察数据本身。
# head
print(dataset.head(20))
你将会看到前20行数据：
数据前20行.jpg
通过数据信息简单介绍一下注明的“鸢尾花数据集”：
鸢尾花(iris)是数据挖掘常用到的一个数据集，包含150种鸢尾花的信息，每50种取自三个鸢尾花种之一（setosa,versicolour或virginica)。每个花的特征用下面的5种属性描述萼片长度(Sepal.Length)、萼片宽度(Sepal.Width)、花瓣长度(Petal.Length)、花瓣宽度(Petal.Width)、类(Species)。
第三是，数据所有属性的描述性统计。
# descriptions
print(dataset.describe())
可以看到如下结果，分别表示4个属性的样本值、均值、标准误、最小值、25%分位数、中位数、75%分位数、最大值。
描述性统计.jpg
第四是，不同类别的数据细分。
# class distribution
print(dataset.groupby('class').size())
可以看到，Iris-setosa、Iris-versicolor、Iris-virginica三大类样本值均有50个。
（四）数据的可视化
数据可视化可以更好地了解数据。在这里通过两种图形类型：单变量图来更好了解每个属性；多变量图来更好了解每个属性间关系。
4.1 单变量图
首先是盒须图（箱形图）
# box and whisker plots
dataset.plot(kind='box', subplots=True, layout=(2,2), sharex=False, sharey=False)
plt.show()
箱形图.jpg
在这里注意各个箱形图的纵坐标（y轴）的刻度是不同的，有明显的区分，因此可以看到，各变量表示的属性是有区分的。
然后是直方图
# histograms
dataset.hist()
plt.show()
直方图.jpg
在这里横坐标的坐标轴是有区分的。
4.2 多变量图（也就是图矩阵）
散点图矩阵，这有助于发现变量之间的结构化关系，在这里特别要注意观察两变量间（变量对）基于对角线的关系，这表明变量之间的相关性与可预测关系（散点图代表了两变量的相关程度，如果呈现出沿着对角线分布的趋势，说明它们的相关性较高）。
# scatter plot matrix
scatter_matrix(dataset)
plt.show()
![Upload 散点图矩阵.jpg failed. Please try again.]
未完待续。。。
本文完整代码见：https://github.com/zhangjuying20000/iris-machine-learning
