一、项目简介

1.鸢尾花数据集：

   150朵

   4个特征：花萼长度，花萼宽度，花瓣长度，花瓣宽度（cm）

   3个类别：Setosa，Versicolor，Virginica

2.实验流程

   加载数据集

   划分数据集

   选择3种分类模型，进行训练

   输出测试集上的精度，对比不同分类模型的结果

   要求：多次划分数据集，得到多个精度

3.个人建议

   数据集分析和结果分析在报告中要讲述清楚

二、实验前的基础知识

1.数据集

   data= load_iris()：获取鸢尾花数据集对象，此对象类似字典的特殊对象（Bunch），包含了数据集的所有信息（特征的数据，特征的名子，标签，对数据集的描述）

   datas = data.data:从鸢尾花数据集中提取特征数据（具体值），提取结果为二维数组。形状为 (150, 4)），意思是有 150 个样本，每个样本有 4 个特征值。比如 datas[0] 就是第一个鸢尾花样本的 4 个特征值：[5.1, 3.5, 1.4, 0.2]

   labels = data.target:从鸢尾花数据集中提取标签的数据。0（山鸢尾）、1（变色鸢尾）、2（维吉尼亚鸢尾）。labels 是一个一维数组（形状为 (150,)），每个元素对应 datas 中相同位置样本的品种。比如 labels[0] = 0，表示第一个样本是山鸢尾。

   描述性说明：

属性名	具体说明什么
target_names	标签（target）的实际含义名称（而非数字 0/1/2）。比如：['setosa', 'versicolor', 'virginica']，对应标签 0 = 山鸢尾，1 = 变色鸢尾，2 = 维吉尼亚鸢尾。
feature_names	特征（data）的实际含义名称（而非单纯的第 1/2/3/4 列）。比如：['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']，即花萼长度、花萼宽度、花瓣长度、花瓣宽度（单位厘米）。
DESCR	数据集的详细描述文档（最核心的 “说明”）。包含：1. 数据集来源、作者、发表背景；2. 样本数量、特征数量、标签类别；3. 数据集的用途、经典应用场景；4. 相关参考文献等。
filename	数据集文件在你本地 Python 环境中的存储路径（方便定位原始数据文件）。
frame	数据集是否基于 DataFrame 存储（iris 数据集为 None，代表是纯数组形式）。
data_module	数据集加载的模块路径（内部实现相关，对新手无实际使用价值）。

2.X和y

   X 和 y 是约定俗成的变量命名，分别代表特征和标签（也叫目标变量）。

   X（特征 / 输入）：通常是一个二维数组 / 矩阵，决定y的因素。

   y（标签 / 输出 / 目标）：你最终要预测的结果

变量	含义
X_train	训练集的特征（80% 样本的特征数据）
X_test	测试集的特征（20% 样本的特征数据）
y_train	训练集的标签（80% 样本的目标结果）
y_test	测试集的标签（20% 样本的目标结果）

   用 X_train 训练模型，让模型学习 “特征→标签” 的规律，用 X_test 喂给训练好的模型，得到预测结果，再和 y_test 对比，验证模型准不准。

变量	作用	阶段
y_train	给模型当 “标准答案”，教模型学习	训练阶段
y_test	验证模型学的好不好，不参与学习	测试阶段

  简而言之：y_train用于训练模型，y_test用于检验模型性能。

3.随机种子

test_size 只规定了划分的 “比例”，但 “哪些样本进训练集 / 测试集” 是由随机种子控制的。

4.K 折交叉验证

   数据分为K块，每一块都当一次测试集

   kf = KFold(n_splits=5, shuffle=True, random_state=40)

部分	通俗解释（用 “切蛋糕” 类比）
KFold(...)	调用 sklearn 的 “切分工具”，专门用来做 K 折划分
n_splits=5	把数据集（150 个鸢尾花样本）平均切成 5 块，每块 30 个样本（150÷5=30）
shuffle=True	切蛋糕前先把 150 个样本 “打乱顺序”（避免样本按类别排序，比如前 50 个全是 setosa）
random_state=40	固定 “打乱的规则”—— 每次都按同一顺序打乱，保证切分结果不变（可复现）
kf = ...	把这个 “切分工具” 保存到变量kf里，后续直接用这个工具切分数据

5.cv_scores = []

这行是创建一个空列表，作用是 “记录每一次折的测试精度”。

6.分类模型

   逻辑回归模型：画多条直线分类

迭代（max_iter）：迭代是逻辑回归模型的核心。每一次迭代都是机器在学习如何分类鸢尾花，并且获取经验，调整学习参数，得到最优的参数来接受最终的分类检验任务。

核心循环代码：

    for fold, (train_idx, test_idx) in enumerate(kf.split(X)):

    X_train_cv, X_test_cv = X[train_idx], X[test_idx]

    y_train_cv, y_test_cv = y[train_idx], y[test_idx]

英文部分	中文翻译	通俗解释
for	循环 / 遍历	就是 “重复做某件事”，比如循环 5 次就做 5 次
fold	折 / 轮次	表示 “第几次验证”，比如 5 折交叉验证，fold 就是 0、1、2、3、4（从 0 开始数）
train_idx	训练集索引	“idx” 是 index（索引 / 行号）的缩写，train_idx 就是 “训练数据的行号列表”
test_idx	测试集索引	test_idx 就是 “测试数据的行号列表”
in	在... 里面	固定语法，比如 “在苹果堆里挑苹果”
enumerate()	枚举 / 给序号	给每一次循环的内容加一个 “编号”，比如第 1 次循环编号 0，第 2 次编号 1
kf	K 折交叉验证对象	提前定义好的 “K 折拆分工具”（比如分成 5 份）
kf.split(X)	拆分 X 数据	split 是 “拆分”，kf.split (X) 就是 “用 K 折工具把 X 数据的行号拆分成训练 / 测试两组”

循环轮次（fold）	train_idx（训练行号）	test_idx（测试行号）	X_train_cv（取 X 的哪些行）	X_test_cv（取 X 的哪些行）
0	[1,2,3,4]	[0]	X 的 1、2、3、4 行	X 的 0 行
1	[0,2,3,4]	[1]	X 的 0、2、3、4 行	X 的 1 行
2	[0,1,3,4]	[2]	X 的 0、1、3、4 行	X 的 2 行

SVM模型（可以非线性分类）

    model = SVC(random_state=40, kernel='rbf', gamma='scale')

参数	中文解释	核心作用（结合鸢尾花）
SVC	支持向量分类器	Scikit-learn 中专门用于分类的 SVM 模型（区别于用于回归的 SVR）
random_state=40	随机种子	固定模型的随机初始化过程，保证每次运行结果完全一致（比如你跑 10 次，精度都是 1.0）；如果不设，每次运行结果可能略有差异（比如一次 0.99，一次 1.0）
kernel='rbf'	核函数为高斯核（径向基函数）	让 SVM 从 “只能画直线” 变成 “能画任意曲线”，适配鸢尾花中 1 类和 2 类的轻微非线性重叠；（如果设kernel='linear'，SVM 就退化成线性模型，和逻辑回归效果接近）
gamma='scale'	高斯核的带宽参数（自动缩放）	控制 “曲线的弯曲程度”：✅ gamma='scale'（默认）：自动根据特征尺度计算 gamma（1/(特征数×特征方差)），适配鸢尾花的 4 个 cm 级特征，不用手动调；❌ 如果 gamma 太小：曲线太平缓，和线性模型没区别；❌ 如果 gamma 太大：曲线太弯曲，会过拟合（把噪声当规律）

   

随机森林模型

model_cv = RandomForestClassifier(random_state=40, n_estimators=100, max_depth=5)

参数	中文解释	核心作用（结合鸢尾花）
RandomForestClassifier	随机森林分类器	基于 “多棵决策树投票” 的集成模型，不是单棵 “随机树” 哦～
random_state=40	随机种子	固定模型的随机过程（比如树的生成、特征采样），保证 5 折交叉验证中每一轮的结果可复现；如果不设，不同轮次的精度可能忽高忽低，对比无意义
n_estimators=100	决策树数量	随机森林里包含 100 棵独立的决策树，最终分类结果由 100 棵树 “投票” 决定；✅ 100 是行业默认值：树太少（比如 10 棵）→ 结果不稳定；树太多（比如 500 棵）→ 训练变慢，精度提升微乎其微；对鸢尾花来说，100 棵树足够覆盖所有特征组合
max_depth=5	每棵树的最大深度	限制单棵决策树最多长 5 层（比如 “花瓣长度> 5cm→花瓣宽度 > 1.8cm→判定为 2 类”，最多 5 个判断步骤）；✅ 核心作用：防止过拟合！鸢尾花数据简单，若不限制深度，单棵树会 “死抠” 个别样本的噪声（比如异常的花瓣长度），导致泛化能力下降；5 层对鸢尾花来说 “刚好够用”—— 既能捕捉核心特征规律，又不会过度拟合

三、代码

逻辑回归

#coding:utf-8
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split, KFold
from sklearn.metrics import accuracy_score

#1.加载数据集

#取出鸢尾花数据集
data=load_iris()
#取出鸢尾花的特征数据
X=data.data
#取出鸢尾花的类别标签
y=data.target

#2.划分数据集
print("方法1，普通划分")
#分成训练集和测试集（0.7train,0.3test）
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=40)
print("训练集样本数：",len(X_train),"测试集样本数：", len(X_test))
print("方法2，5折交叉实验")
kf=KFold(n_splits=5,shuffle=True,random_state=40)
#存储5次测试精度
cv_scores=[]

#3.选择分类模型
#3.1逻辑回归
model=LogisticRegression(random_state=40,max_iter=500)
# 训练模型
model.fit(X_train,y_train)
#用测试集预测
y_pred=model.predict(X_test)
#4输出测试集精度
accuracy=accuracy_score(y_test,y_pred)
print(f"普通划分 - 测试集精度：{accuracy:.4f}")

#3.25折交叉实验
for fold, (train_index, test_index) in enumerate(kf.split(X)):
    X_train_cv, X_test_cv = X[train_index], X[test_index]
    y_train_cv, y_test_cv = y[train_index], y[test_index]
#初始化模型
    model_cv = LogisticRegression(random_state=40, max_iter=200)
# 训练模型
    model_cv.fit(X_train_cv, y_train_cv)
#用测试集预测
    y_pred_cv = model_cv.predict(X_test_cv)
    fold_accuracy = accuracy_score(y_test_cv, y_pred_cv)
    cv_scores.append(fold_accuracy)
    print(f"第{fold + 1}折 测试精度：{fold_accuracy:.4f}")
avg_accuracy = sum(cv_scores) / len(cv_scores)
print(f"5折交叉验证 - 平均测试精度：{avg_accuracy:.4f}")

SVM

#coding:utf-8
from sklearn.datasets import load_iris
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split, KFold
from sklearn.metrics import accuracy_score

#1.加载数据集

#取出鸢尾花数据集
data=load_iris()
#取出鸢尾花的特征数据
X=data.data
#取出鸢尾花的类别标签
y=data.target

#2.划分数据集

print("方法1，普通划分")
#分成训练集和测试集（0.7train,0.3test）
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=40)
print("训练集样本数：",len(X_train),"测试集样本数：", len(X_test))

print("方法2，5折交叉实验")
kf=KFold(n_splits=5,shuffle=True,random_state=40)
#存储5次测试精度
cv_scores=[]

#3.选择分类模型
#3.1逻辑回归
model=SVC(random_state=40, kernel='rbf', gamma='scale')
# 训练模型
model.fit(X_train,y_train)
#用测试集预测
y_pred=model.predict(X_test)
#4输出测试集精度
accuracy=accuracy_score(y_test,y_pred)
print(f"普通划分 - 测试集精度：{accuracy:.4f}")

#3.25折交叉实验
for fold, (train_index, test_index) in enumerate(kf.split(X)):
    X_train_cv, X_test_cv = X[train_index], X[test_index]
    y_train_cv, y_test_cv = y[train_index], y[test_index]
#初始化模型
    model_cv = SVC(random_state=40, kernel='rbf', gamma='scale')
# 训练模型
    model_cv.fit(X_train_cv, y_train_cv)
#用测试集预测
    y_pred_cv = model_cv.predict(X_test_cv)
    fold_accuracy = accuracy_score(y_test_cv, y_pred_cv)
    cv_scores.append(fold_accuracy)
    print(f"第{fold + 1}折 测试精度：{fold_accuracy:.4f}")
avg_accuracy = sum(cv_scores) / len(cv_scores)
print(f"5折交叉验证 - 平均测试精度：{avg_accuracy:.4f}")

随机森林

#coding:utf-8
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split, KFold
from sklearn.metrics import accuracy_score

#1.加载数据集

#取出鸢尾花数据集
data=load_iris()
#取出鸢尾花的特征数据
X=data.data
#取出鸢尾花的类别标签
y=data.target

#2.划分数据集

print("方法1，普通划分")
#分成训练集和测试集（0.7train,0.3test）
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=60)
print("训练集样本数：",len(X_train),"测试集样本数：", len(X_test))

print("方法2，5折交叉实验")
kf=KFold(n_splits=5,shuffle=True,random_state=60)
#存储5次测试精度
cv_scores=[]

#3.选择分类模型
#3.1逻辑回归
model = RandomForestClassifier(random_state=40, n_estimators=100, max_depth=5, min_samples_split=2)
# 训练模型
model.fit(X_train,y_train)
#用测试集预测
y_pred=model.predict(X_test)
#4输出测试集精度
accuracy=accuracy_score(y_test,y_pred)
print(f"普通划分 - 测试集精度：{accuracy:.4f}")

#3.25折交叉实验
for fold, (train_index, test_index) in enumerate(kf.split(X)):
    X_train_cv, X_test_cv = X[train_index], X[test_index]
    y_train_cv, y_test_cv = y[train_index], y[test_index]
#初始化模型
    model_cv = RandomForestClassifier(random_state=40, n_estimators=100, max_depth=5)
# 训练模型
    model_cv.fit(X_train_cv, y_train_cv)
#用测试集预测
    y_pred_cv = model_cv.predict(X_test_cv)
    fold_accuracy = accuracy_score(y_test_cv, y_pred_cv)
    cv_scores.append(fold_accuracy)
    print(f"第{fold + 1}折 测试精度：{fold_accuracy:.4f}")
avg_accuracy = sum(cv_scores) / len(cv_scores)
print(f"5折交叉验证 - 平均测试精度：{avg_accuracy:.4f}")

数据集分析

from sklearn.datasets import load_iris
data=load_iris()
print(data.DESCR)
import numpy as np
print("\n===== 特征描述性统计 =====")
stats = {
    "均值": np.mean(data.data, axis=0),
    "标准差": np.std(data.data, axis=0),
    "最小值": np.min(data.data, axis=0),
    "最大值": np.max(data.data, axis=0)
}
for key, value in stats.items():
    print(f"{key}：", value.round(2))

四、实验总结

逻辑回归适用：因为鸢尾花近似线性可分，数据简单，线性模型足够高效准确。

SVM 适用：因为数据存在少量非线性重叠，高斯核 SVM 能更好地分割边界。

随机森林适用：因为数据特征区分度高、干扰的没用的数据少，集成树模型能稳定学习分类规则且不易过拟合

五、致谢

感谢豆包，感谢小红书老师们

机器学习项目一：鸢尾花⚜️分类 - 小红书

Python机器学习的hello world 鸢尾花分类 - 小红书