使用python中Scikit-Learn(sklearn)模块处理鸢尾花（iris）相关数据

2024-07-15 1014点热度 0人点赞 0条评论

本文目录

1 简介
2 数据预处理
- 2.1 数据加载
- 2.2 标准化处理
3 实验及分析
4 代码

简介

操作题：使用scikit-learn模块，并利用鸢尾花数据实现数据加载、标准化处理、构建聚类模型并训练、聚类效果可视化展示及对模型进行评价

数据预处理

数据加载

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
data = load_iris()
train_data, test_data, train_target, test_target = train_test_split(data['data'], data['target'], test_size=0.2)

使用scikit-learn模块，从sklearn.datasets中导入鸢尾花数据，并赋值给data，其中iris的key包括了['data', 'target', 'target_names', 'DESCR', 'feature_names', 'filename']

同时使用train_test_split对数据集进行拆分。

train_test_split具有以下参数：

参数名称	说明
*arrays	接收一个或多个数据集。代表需要划分的数据集，若为分类回归则分别传入数据和标签，若为聚类则传入数据。无默认。
test_size	接收float，int，None类型的数据。代表测试集的大小。如果传入的为float类型的数据则需要限定在0-1之间，代表测试集在总数中的占比；如果传入为int类型的数据，则表示测试集记录的绝对数目。该参数与train_size可以只传入一个。在0.21版本前，若test_size和train_size均为默认则testsize为25%。
train_size	接收float，int，None类型的数据。代表训练集的大小。该参数与test_size可以只传入一个
random_state	接收int。代表随机种子编号，相同随机种子编号产生相同的随机结果，不同的随机种子编号产生不同的随机结果。默认为None。
shuffle	接收boolean。代表是否进行有放回抽样。若该参数取值为True则stratify参数必须不能为空。
stratify	接收array或者None。如果不为None，则使用传入的标签进行分层抽样。

标准化处理

from sklearn.preprocessing import StandardScaler
model = StandardScaler().fit(train_data)
train_data_mt = model.transform(train_data)
test_data_mt = model.transform(test_data)

之后使用scikit-learn模块，从sklearn.preprocessing中导入StandardScaler对特征值进行标准差标准化处理

关于sklearn.preprocessing中的几个标准化处理方法

函数名称	说明
MinMaxScaler	对特征进行离差标准化处理。
StandardScaler	对特征进行标准差标准化处理。
Normalizer	对特征进行归一化。
Binarizer	对定量特征进行二值化处理。
OneHotEncoder	对定性特征进行独热编码处理。
FunctionTransformer	对特征进行自定义函数变换。

使用sklearn中的transform方法分别对训练集及测试集进行标准化处理。

实验及分析

构建聚类模型并训练

from sklearn.cluster import SpectralClustering
model = SpectralClustering(n_clusters=3).fit(train_data_mt)

从sklearn.cluster中导入SpectralClustering聚类方法

其中cluster包含了以下几种聚类方法：

函数名称	参数	适用范围	距离度量
KMeans	簇数	可用于样本数目大，聚类数目中等的场景	点之间的距离
SpectralClustering	簇数	可用于样本数目中等，聚类数目较小的场景	图距离
WardHierarchicalClustering	簇数	可用于样本数目较大，聚类数目较大的场景	点之间的距离
AgglomerativeClustering	簇数，链接类型，距离	可用于样本数目较大，聚类数目较大的场景	任意成对点线图间的距离
DBSCAN	半径大小，最低成员数目	可用于样本数目很大，聚类数目中等的场景	最近的点之间的距离
Birch	分支因子，阈值，可选全局集群	可用于样本数目很大，聚类数目较大的场景	点之间的欧式距离

其中 n_clusters=3 表示了将簇数设置为3

聚类效果可视化

import matplotlib.pyplot as plt
for i in range(3):
    plt.scatter(train_data_mt[model.labels_ == i, 0], train_data_mt[model.labels_ == i, 1])
plt.show()

使用matplotlib作散点图

可以对数据进行降维处理，然后进行可视化。

from sklearn.manifold import TSNE
tsen = TSNE(n_components=2, init='random', random_state=123).fit(train_data_mt) # 降维
df = pd.DataFrame(tsen.embedding_)
df['label'] = model.labels_
df1 = df[df['label']==0]
df2 = df[df['label']==1]
df3 = df[df['label']==2]
fig = plt.figure(figsize=(8,6))
plt.plot(df1[0],'r+', df2[0], 'bo', df3[0], 'gD')

降维处理后的可视化效果

对模型进行评价

from sklearn.metrics import silhouette_score
for i in range(3,6):
    model = SpectralClustering(n_clusters=i).fit(train_data_mt)
    score = silhouette_score(train_data_mt, model.labels_)
    print("当k =",i,"时,score =",score)

从sklearn.metrics中导入silhouette_score方法对模型进行评价

其中sklearn.metrics包括了以下几种评价方法：

方法名称	真实值	最佳值	sklearn函数
ARI评价法（兰德系数）	需要	1.0	adjusted_rand_score
AMI评价法（互信息）	需要	1.0	adjusted_mutual_info_score
V-measure评分	需要	1.0	completeness_score
FMI评价法	需要	1.0	fowlkes_mallows_score
轮廓系数评价法	不需要	畸变程度最大	silhouette_score
Calinski-Harabasz指数评价法	不需要	相较最大	calinski_harabaz_score

代码

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, MinMaxScaler
from sklearn.cluster import SpectralClustering
from sklearn.metrics import silhouette_score
import numpy as np
import matplotlib.pyplot as plt
# 数据加载
data = load_iris()
print(data.keys())
train_data, test_data, train_target, test_target = train_test_split(data['data'], data['target'], test_size=0.2)
print(train_data.shape)
# 标准化模型（标准差标准化）
model = StandardScaler().fit(train_data)
train_data_mt = model.transform(train_data)
test_data_mt = model.transform(test_data)
print(np.max(train_data_mt), np.min(train_data_mt))
print(np.max(test_data_mt), np.min(test_data_mt))
# 构建聚类模型并训练（SpectralClustering）
model = SpectralClustering(n_clusters=3).fit(train_data_mt)
# 聚类效果可视化
for i in range(3):
    plt.scatter(train_data_mt[model.labels_ == i, 0], train_data_mt[model.labels_ == i, 1])
plt.show()
# 评价聚类模型（轮廓系数评价法）
for i in range(3,6):
    model = SpectralClustering(n_clusters=i).fit(train_data_mt)
    score = silhouette_score(train_data_mt, model.labels_)
    print("当k =",i,"时,score =",score)

博客CSDN链接：作业1：关于使用python中scikit-learn(sklearn)模块，实现鸢尾花（iris）相关数据操作（数据加载、标准化处理、构建聚类模型并训练、可视化、评价模型）

感谢浏览，欢迎关注祁彧w博客！