探索sklearn|鸢尾花数据集

1 鸢尾花数据集背景

鸢尾花数据集是原则20世纪30年代的经典数据集。它是用统计进行分类的鼻祖。

sklearn包不仅囊括很多机器学习的算法，也自带了许多经典的数据集，鸢尾花数据集就是其中之一。

导入的方法很简单，不过我比较好奇它是如何来存储这些数据的，于是我决定去背后看一看

from sklearn.datasets import load_iris

data = load_iris()

找到sklearn包的路径，发现包可不少，不过现在扔在一边，以后再来探索，我现在要找到是datasets文件夹。

文件夹里没有找到load_iris()这个函数在哪，只是在__init__文件里，发现了这么一行

from .base import load_iris

2 数据的内容

不出我料数据没有存储在程序文件里，而是用csv格式保存着，单独放在了data文件夹里

150,4,setosa,versicolor,virginica
5.1,3.5,1.4,0.2,0 #花萼长度,花萼宽度,花瓣长度,花瓣宽度
4.9,3.0,1.4,0.2,0
4.7,3.2,1.3,0.2,0
4.6,3.1,1.5,0.2,0
5.0,3.6,1.4,0.2,0

第一行首先记录了样本数目150，特征数目4

现在是时候来详细介绍一下数据了：

数据包含三种鸢尾花的四个特征，分别是花萼长度(cm)、花萼宽度(cm)、花瓣长度(cm)、花瓣宽度(cm)，这些形态特征在过去被用来识别物种。时至今日，我们已经可以通过基因签名来识别这些分类了。

三种鸢尾花分别是

山鸢尾花(Iris Setosa)、

变色鸢尾花(Iris Versicolor)和

维吉尼亚鸢尾花(Iris Virginica)

3 数据可视化

鸢尾花数据集只有150个样本，每个样本只有4个特征，容易将其可视化

上面加载的data变量是一个类似字典的类型，是数据信息的集合，它像字典一样通过键值对来组织信息

值既可以通过data[‘target‘]也可以通过data.target来获取，很明显这说明data并不是字典类型

data.keys()
>>[‘target_names‘, ‘data‘, ‘target‘, ‘DESCR‘, ‘feature_names‘]feature = data[‘data‘] #为numpy.ndarray类型feature.shape #矩阵的行数和劣势>> (150L, 4L)target = data[‘target‘]target.shape>>(150L,)

四个特征是不可能同时在平面图里画出来的，只得运用我们的聪明才智，把它两两一组

def plot_iris_projection(x_index, y_index):
    for t,marker,c in zip(xrange(3),‘>ox‘, ‘rgb‘):
        plt.scatter(data[target==t,x_index],
                    data[target==t,y_index],
                    marker=marker,c=c)
        plt.xlabel(feature_names[x_index])
        plt.ylabel(feature_names[y_index])

pairs = [(0,1),(0,2),(0,3),(1,2),(1,3),(2,3)]
for i,(x_index,y_index) in enumerate(pairs):
    plt.subplot(2,3,i)
    plot_iris_projection(x_index, y_index)
plt.show()

不难发现的是，不论在那两个特征下，山鸢尾花都能很好的和其他两种鸢尾花区分，但是另外两种鸢尾花的特征比较焦灼，如果只有这四个特征，有时人都难以区分。