入门实践工程一：基于 sklearn 的鸢尾花分类（传统机器学习入门）|附:环境依赖及工程源码-尧图网站建设

🔥别再死磕枯燥理论了！AI 时代，拿实战作品说话才是硬道理！（原创不易哈，希望可以帮到还有些许学习劲儿的同学们）🔥
【进阶版还在创作中，耗费精力中……】

跳转到专栏目录，你学习更有方向和思路……

入门实践工程一：基于 sklearn 的鸢尾花分类（传统机器学习入门）|附:环境依赖及工程源码

简介

使用 scikit-learn 内置鸢尾花数据集，训练并对比 KNN / SVM / 随机森林三种经典分类器，评估准确率并绘制二维决策边界可视化图。是最轻量的 AI 入门项目，帮助理解「特征→模型→评估→可视化」传统机器学习全流程，与深度学习项目形成互补。

项目亮点：

🚀零基础友好：无需深度学习框架，无需 GPU，安装即运行
📊可视化直观：决策边界图直观展示不同模型的分类逻辑
⚖️模型对比：三种经典算法横向对比，理解各自优缺点
🎯完整闭环：从数据加载到模型评估，体验完整机器学习流程

鸢尾花数据集简介

鸢尾花（Iris）数据集是机器学习领域最经典的数据集之一，由统计学家 R.A. Fisher 在 1936 年引入。该数据集包含 150 个样本，每个样本有 4 个特征：

花萼长度（sepal length，单位：厘米）
花萼宽度（sepal width，单位：厘米）
花瓣长度（petal length，单位：厘米）
花瓣宽度（petal width，单位：厘米）

三个类别分别为：

Setosa（山鸢尾）
Versicolor（杂色鸢尾）
Virginica（维吉尼亚鸢尾）

该数据集的特点是类别间线性可分性良好，非常适合作为分类算法的入门实践。

工程详细介绍

核心思想

传统监督学习的完整闭环——用少量表格特征，借助「距离投票 / 最大间隔 / 集成」三类思想完成多分类，无需神经网络与 GPU，是理解「特征→拟合→评估→可视化」的最简载体，与深度学习项目互为补充。

实现方法

1. 数据准备

数据源：sklearn 内置鸢尾花数据集（150 样本，4 维特征：花萼/花瓣的长宽，3 个类别）
数据划分：采用留出法（Hold-out），按 7:3 比例划分训练集和测试集
分层抽样：使用stratify=y确保每个类别的样本比例在划分后保持一致

2. 模型选择与对比

本项目对比三种经典分类算法，代表三种不同的分类思想：

K-最近邻（KNN）

核心思想：“物以类聚” - 根据最近的 k 个邻居的类别进行投票
优点：简单直观，无需训练过程
缺点：预测时计算量大，对特征尺度敏感
参数：k=5（经验值）

支持向量机（SVM）

核心思想：寻找最大化类别间隔的超平面
核函数：RBF（径向基函数）核，适合非线性分类
优点：在高维空间表现优秀，泛化能力强
参数：C=1.0（正则化参数），gamma=‘scale’

随机森林（Random Forest）

核心思想：集成学习 - 多棵决策树投票决定最终结果
优点：抗过拟合能力强，能处理高维特征
缺点：模型可解释性较差
参数：n_estimators=100（树的数量）

3. 训练与评估流程

数据加载与划分：加载数据集并按 7:3 划分
模型训练：分别用训练集训练三个模型
性能评估：在测试集上计算准确率
可视化分析：使用前两个特征绘制决策边界

4. 输出结果

三种模型在测试集上的准确率对比
决策边界可视化图（iris_decision_boundary.png）
一个示例预测，展示模型的实际应用

项目结构

01_iris_ml/ ├── main.py # 训练 + 对比 + 决策边界出图 ├── requirements.txt # 依赖包列表 └── iris_decision_boundary.png # 生成的决策边界图

环境配置与安装

系统要求

Python 3.7+
任意操作系统（Windows/macOS/Linux）

安装依赖

pipinstallscikit-learn matplotlib numpy

注意事项：

数据集由 sklearn 内置，无需联网下载，安装后即可运行
所有依赖包均可通过 pip 一键安装
无需 GPU 支持，普通 CPU 即可秒级完成训练

验证安装

importsklearnprint(f"scikit-learn 版本:{sklearn.__version__}")# 应该输出类似: scikit-learn 版本: 1.3.0

运行方式

方法一：直接运行（推荐）

python main.py

方法二：使用 requirements.txt

pipinstall-rrequirements.txt python main.py

运行过程解析

程序执行时会依次完成以下步骤：

数据加载：加载鸢尾花数据集并显示基本信息
数据划分：按 7:3 划分训练集和测试集
模型训练：依次训练 KNN、SVM、随机森林
性能评估：输出各模型在测试集上的准确率
可视化：生成决策边界对比图
示例预测：用最佳模型进行一个样本预测

代码详解

1. 数据加载与探索

iris=load_iris()X,y=iris.data,iris.target feature_names=iris.feature_names target_names=iris.target_names

X：特征矩阵，形状为 (150, 4)
y：标签向量，取值为 0、1、2
feature_names：四个特征的名称
target_names：三个类别的名称

2. 数据划分策略

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42,stratify=y)

test_size=0.3：30% 数据作为测试集
random_state=42：固定随机种子，确保结果可复现
stratify=y：分层抽样，保持类别比例

3. 模型定义与训练

models={"KNN (k=5)":KNeighborsClassifier(n_neighbors=5),"SVM (RBF)":SVC(kernel="rbf",gamma="scale",C=1.0,probability=True),"随机森林 (100 棵树)":RandomForestClassifier(n_estimators=100,random_state=42),}

每个模型都有其独特的参数设置，这些参数基于经验值和数据集特性选择。

4. 决策边界可视化原理

# 创建网格点xx,yy=np.meshgrid(np.linspace(x_min,x_max,300),np.linspace(y_min,y_max,300))# 预测网格上每个点的类别Z=clf.predict(np.c_[xx.ravel(),yy.ravel()]).reshape(xx.shape)# 绘制等高线填充图ax.contourf(xx,yy,Z,alpha=0.3,cmap=plt.cm.Set1)

决策边界图通过以下步骤生成：

在特征空间创建密集的网格点
用训练好的模型预测每个网格点的类别
用不同颜色填充不同类别的区域
在图上叠加真实的测试样本点

预期结果

1. 控制台输出

运行程序后，控制台会显示类似以下信息：

鸢尾花数据集: 150 个样本, 4 个特征 特征: ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'] 类别: ['setosa', 'versicolor', 'virginica'] KNN (k=5) 测试准确率 = 0.9778 SVM (RBF) 测试准确率 = 0.9778 随机森林 (100 棵树) 测试准确率 = 0.9556 决策边界对比图已保存到: /path/to/iris_decision_boundary.png 示例预测（KNN (k=5)）: 样本=[[5.1, 3.5, 1.4, 0.2]] -> setosa

2. 生成的可视化图

程序会生成iris_decision_boundary.png文件，包含三张子图：

左侧：KNN 决策边界（通常呈现不规则的区域划分）
中间：SVM 决策边界（边界平滑，基于最大间隔原则）
右侧：随机森林决策边界（可能呈现复杂的多区域划分）

每张图都显示：

不同颜色的区域代表不同的预测类别
散点代表测试集中的真实样本
标题包含模型名称和仅使用前两个特征的测试准确率

结果分析与讨论

1. 准确率分析

鸢尾花数据集相对简单，三种模型通常都能达到 95% 以上的准确率：

KNN 和 SVM：在这个数据集上表现非常接近，经常达到 97-98% 的准确率
随机森林：可能略低一些，但仍在 95% 以上

为什么准确率这么高？

数据集本身线性可分性良好
特征数量少（4个），样本数量适中（150个）
类别间差异明显，特别是 Setosa 与其他两类容易区分

2. 决策边界对比

通过决策边界图可以直观看到不同模型的分类逻辑：

KNN 决策边界特点：

边界不规则，呈现"锯齿状"
每个点的类别由其最近邻居决定
对局部噪声敏感

SVM 决策边界特点：

边界平滑，基于最大间隔原则
使用 RBF 核可以处理非线性关系
泛化能力较强

随机森林决策边界特点：

可能呈现多个小区域
基于多棵树的投票结果
对异常值相对鲁棒

3. 模型选择建议

对于鸢尾花分类任务：

追求简单快速：选择 KNN，无需调参，实现简单
追求泛化能力：选择 SVM，特别是面对新数据时
追求稳定鲁棒：选择随机森林，对噪声和异常值不敏感

常见问题与解决方案

Q1: 安装 scikit-learn 失败

解决方案：

# 使用国内镜像源pipinstallscikit-learn matplotlib numpy-ihttps://pypi.tuna.tsinghua.edu.cn/simple# 或使用 condacondainstallscikit-learn matplotlib numpy

Q2: 运行时报错 “ModuleNotFoundError”

可能原因：依赖包未正确安装
解决方案：

# 检查已安装的包pip list|grep-E"scikit-learn|matplotlib|numpy"# 重新安装pip uninstall scikit-learn matplotlib numpy pipinstallscikit-learn matplotlib numpy

Q3: 生成的图片无法显示或保存

解决方案：

# 在代码开头添加以下配置importmatplotlib matplotlib.use('Agg')# 使用非交互式后端

Q4: 准确率每次运行都不一样

原因：未设置随机种子
解决方案：代码中已设置random_state=42，确保结果可复现

扩展方向与进阶学习

1. 特征工程扩展

# 添加特征标准化fromsklearn.preprocessingimportStandardScaler scaler=StandardScaler()X_scaled=scaler.fit_transform(X)# 添加 PCA 降维可视化fromsklearn.decompositionimportPCA pca=PCA(n_components=2)X_pca=pca.fit_transform(X)

2. 更换数据集挑战

葡萄酒数据集：13个特征，3个类别，特征间相关性更强
手写数字数据集：64个特征（8×8像素），10个类别，更适合复杂模型
乳腺癌数据集：30个特征，二分类问题，适合逻辑回归等算法

3. 模型扩展与对比

# 添加逻辑回归fromsklearn.linear_modelimportLogisticRegression models["逻辑回归"]=LogisticRegression(max_iter=1000)# 添加 XGBoostfromxgboostimportXGBClassifier models["XGBoost"]=XGBClassifier(n_estimators=100)# 绘制 ROC 曲线（二分类）fromsklearn.metricsimportroc_curve,auc fpr,tpr,_=roc_curve(y_test_binary,y_score)roc_auc=auc(fpr,tpr)

4. 交叉验证与超参数调优

fromsklearn.model_selectionimportcross_val_score,GridSearchCV# K 折交叉验证scores=cross_val_score(model,X,y,cv=5)# 网格搜索调参param_grid={'n_neighbors':[3,5,7,9]}grid_search=GridSearchCV(KNeighborsClassifier(),param_grid,cv=5)grid_search.fit(X_train,y_train)

5. 模型可解释性

# 随机森林特征重要性importances=rf_model.feature_importances_ indices=np.argsort(importances)[::-1]# 绘制特征重要性图plt.figure()plt.title("特征重要性")plt.bar(range(X.shape[1]),importances[indices])plt.xticks(range(X.shape[1]),[feature_names[i]foriinindices],rotation=45)plt.tight_layout()

学习建议与下一步

给初学者的建议

先运行再理解：不要被代码吓到，先运行起来看到结果
逐行调试：在关键位置添加print()语句，查看中间结果
修改参数：尝试修改 k 值、树的数量等参数，观察结果变化
可视化探索：使用 matplotlib 绘制更多图表，如特征分布、混淆矩阵等

知识体系构建

完成本项目后，建议按以下路径继续学习：

基础巩固（1-2周）

理解监督学习的基本概念：特征、标签、训练、测试
掌握数据预处理：缺失值处理、特征缩放、编码
学习模型评估指标：准确率、精确率、召回率、F1 分数

技能提升（2-4周）

尝试其他分类算法：朴素贝叶斯、决策树、梯度提升
学习回归问题：线性回归、多项式回归
了解聚类算法：K-means、DBSCAN

项目实践（1-2个月）

参加 Kaggle 入门竞赛（如 Titanic、House Prices）
尝试真实业务数据（如用户流失预测、信用评分）
学习模型部署：使用 Flask/FastAPI 部署简单模型

工程源码

main.py

""" 入门实践工程一：基于 sklearn 的鸢尾花分类（传统机器学习入门） ========================================================= 使用 scikit-learn 内置的鸢尾花数据集，训练并对比 KNN / SVM / 随机森林 三种经典分类器，评估准确率，并绘制二维决策边界可视化图。 全程无需深度学习框架、无需联网，是最轻量的 AI 入门项目。 运行： python main.py """importosimportmatplotlib matplotlib.use("Agg")importmatplotlib.pyplotaspltimportnumpyasnpfromsklearn.datasetsimportload_irisfromsklearn.ensembleimportRandomForestClassifierfromsklearn.model_selectionimporttrain_test_splitfromsklearn.neighborsimportKNeighborsClassifierfromsklearn.svmimportSVC BASE_DIR=os.path.dirname(os.path.abspath(__file__))defmain():iris=load_iris()X,y=iris.data,iris.target feature_names=iris.feature_names target_names=iris.target_namesprint(f"鸢尾花数据集:{X.shape[0]}个样本,{X.shape[1]}个特征")print(f"特征:{feature_names}")print(f"类别:{list(target_names)}\n")X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42,stratify=y)models={"KNN (k=5)":KNeighborsClassifier(n_neighbors=5),"SVM (RBF)":SVC(kernel="rbf",gamma="scale",C=1.0,probability=True),"随机森林 (100 棵树)":RandomForestClassifier(n_estimators=100,random_state=42),}results={}forname,clfinmodels.items():clf.fit(X_train,y_train)acc=clf.score(X_test,y_test)results[name]=accprint(f"{name:<22}测试准确率 ={acc:.4f}")# ---- 决策边界可视化（取前两个特征，便于 2D 绘图） ----X2=X[:,:2]# 花萼长度 + 花萼宽度X_tr2,X_te2,y_tr2,y_te2=train_test_split(X2,y,test_size=0.3,random_state=42,stratify=y)fig,axes=plt.subplots(1,len(models),figsize=(16,5))x_min,x_max=X2[:,0].min()-0.5,X2[:,0].max()+0.5y_min,y_max=X2[:,1].min()-0.5,X2[:,1].max()+0.5xx,yy=np.meshgrid(np.linspace(x_min,x_max,300),np.linspace(y_min,y_max,300))forax,(name,_)inzip(axes,models.items()):clf=models[name]clf.fit(X_tr2,y_tr2)Z=clf.predict(np.c_[xx.ravel(),yy.ravel()]).reshape(xx.shape)ax.contourf(xx,yy,Z,alpha=0.3,cmap=plt.cm.Set1)scatter=ax.scatter(X_te2[:,0],X_te2[:,1],c=y_te2,cmap=plt.cm.Set1,edgecolors="k",s=40)acc2=clf.score(X_te2,y_te2)ax.set_title(f"{name}\n(2特征 测试准确率={acc2:.3f})")ax.set_xlabel(feature_names[0])ax.set_ylabel(feature_names[1])fig.suptitle("鸢尾花分类决策边界对比（仅用前两个特征）",fontsize=14)plt.tight_layout()fig_path=os.path.join(BASE_DIR,"iris_decision_boundary.png")plt.savefig(fig_path,dpi=120)print(f"\n决策边界对比图已保存到:{fig_path}")# ---- 用全特征模型做一个示例预测 ----best_name=max(results,key=results.get)best_model=models[best_name]sample=np.array([[5.1,3.5,1.4,0.2]])# 典型山鸢尾pred=best_model.predict(sample)[0]print(f"\n示例预测（{best_name}）: 样本={sample.tolist()}->{target_names[pred]}")if__name__=="__main__":main()

资讯详情

入门实践工程一：基于 sklearn 的鸢尾花分类（传统机器学习入门）|附:环境依赖及工程源码

入门实践工程一：基于 sklearn 的鸢尾花分类（传统机器学习入门）|附:环境依赖及工程源码

简介

鸢尾花数据集简介

工程详细介绍

核心思想

实现方法

1. 数据准备

2. 模型选择与对比

3. 训练与评估流程

4. 输出结果

项目结构

环境配置与安装

系统要求

安装依赖

验证安装

运行方式

方法一：直接运行（推荐）

方法二：使用 requirements.txt

运行过程解析

代码详解

1. 数据加载与探索

2. 数据划分策略

3. 模型定义与训练

4. 决策边界可视化原理

预期结果

1. 控制台输出

2. 生成的可视化图

结果分析与讨论

1. 准确率分析

2. 决策边界对比

3. 模型选择建议

常见问题与解决方案

Q1: 安装 scikit-learn 失败

Q2: 运行时报错 “ModuleNotFoundError”

Q3: 生成的图片无法显示或保存

Q4: 准确率每次运行都不一样

扩展方向与进阶学习

1. 特征工程扩展

2. 更换数据集挑战

3. 模型扩展与对比

4. 交叉验证与超参数调优

5. 模型可解释性

学习建议与下一步

给初学者的建议

知识体系构建

工程源码