鸢尾花分类实战：从数据探索到模型部署全流程

weixin_30729609

321人浏览 · 2026-08-14 15:40:13

weixin_30729609 · 2026-08-14 15:40:13 发布

1. 项目概述

鸢尾花分类是机器学习领域最经典的入门项目之一，相当于编程界的"Hello World"。这个项目使用Python的scikit-learn库（简称sklearn）来实现对鸢尾花数据集的分类任务。我最近在带学生做这个实验时发现，虽然网上教程很多，但大多数都停留在简单调用API的层面，缺乏对背后原理和实际工程考量的深入讲解。今天我就从一线教学和实践的角度，带大家完整走一遍这个项目的全流程，并分享一些只有实际做过才知道的细节技巧。

鸢尾花数据集包含3个品种（山鸢尾、变色鸢尾和维吉尼亚鸢尾）各50个样本，每个样本有4个特征（萼片长度、萼片宽度、花瓣长度、花瓣宽度）。我们的目标是构建一个机器学习模型，能够根据这4个特征准确预测花的品种。这个项目看似简单，却涵盖了机器学习从数据探索、预处理、模型训练到评估的完整流程，是理解监督学习分类任务的绝佳起点。

2. 环境准备与数据加载

2.1 开发环境配置

我推荐使用Anaconda创建独立的Python环境，避免包依赖冲突。以下是具体步骤：

conda create -n iris_classification python=3.8
conda activate iris_classification
pip install scikit-learn pandas matplotlib seaborn numpy

注意：虽然最新的Python版本是3.10+，但考虑到部分机器学习库的兼容性，建议使用3.8这个长期支持版本。我在实际教学中发现，3.9及以上版本有时会遇到sklearn的某些依赖项兼容问题。

2.2 数据加载与初步探索

sklearn内置了鸢尾花数据集，我们可以直接加载：

from sklearn.datasets import load_iris
import pandas as pd

iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['target'] = iris.target
df['species'] = df['target'].map({0:'setosa', 1:'versicolor', 2:'virginica'})

加载后建议立即进行数据探索：

print(df.head())  # 查看前5行数据
print(df.describe())  # 统计描述
print(df['species'].value_counts())  # 类别分布

我在实际项目中发现，很多初学者会忽略这个步骤直接开始建模，这是非常危险的。数据探索能帮助我们：

发现异常值（如花瓣长度出现负数）
了解特征量纲差异（萼片厘米级，花瓣毫米级）
确认类别是否平衡（本例中各50个样本）

3. 数据可视化与特征分析

3.1 单变量分布分析

使用seaborn绘制各特征的分布情况：

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(12, 8))
for i, feature in enumerate(iris.feature_names):
    plt.subplot(2, 2, i+1)
    sns.histplot(data=df, x=feature, hue='species', kde=True)
plt.tight_layout()
plt.show()

这个可视化能直观展示：

setosa的花瓣尺寸明显小于其他两类
versicolor和virginica在花瓣特征上有部分重叠
所有特征都近似正态分布，没有极端离群值

3.2 特征相关性分析

计算并可视化特征间的Pearson相关系数：

plt.figure(figsize=(10, 8))
sns.heatmap(df[iris.feature_names].corr(), annot=True, cmap='coolwarm')
plt.title('Feature Correlation Matrix')
plt.show()

从我的经验看，高度相关的特征（如花瓣长度和宽度）可以考虑只保留一个，但在这个教学项目中我们保留全部特征，以便后续演示特征选择的影响。

4. 数据预处理

4.1 训练集测试集划分

from sklearn.model_selection import train_test_split

X = df[iris.feature_names]
y = df['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

关键参数说明：

test_size=0.2 ：保留20%数据做最终测试
random_state=42 ：固定随机种子确保结果可复现
stratify=y ：保持训练集和测试集的类别比例相同

实际工程中，我建议至少进行3次不同的随机划分来验证模型稳定性，教学演示为简化流程只做一次划分。

4.2 特征标准化

虽然决策树类算法不需要特征缩放，但为了演示完整流程，我们仍进行标准化：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)  # 注意：使用训练集的参数转换测试集

这里有个常见错误：在测试集上调用 fit_transform 会导致数据泄露。正确的做法是只在训练集上fit，然后统一transform两个数据集。

5. 模型训练与评估

5.1 逻辑回归模型

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, confusion_matrix

lr = LogisticRegression(max_iter=200, multi_class='ovr')
lr.fit(X_train_scaled, y_train)
y_pred = lr.predict(X_test_scaled)

print("Classification Report:\n", classification_report(y_test, y_pred))
print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred))

参数说明：

max_iter=200 ：增加迭代次数确保收敛
multi_class='ovr' ：使用一对多策略处理多分类

5.2 支持向量机(SVM)

from sklearn.svm import SVC

svm = SVC(kernel='rbf', C=1.0, gamma='scale')
svm.fit(X_train_scaled, y_train)
y_pred = svm.predict(X_test_scaled)

print("SVM Classification Report:\n", classification_report(y_test, y_pred))

5.3 随机森林

from sklearn.ensemble import RandomForestClassifier

rf = RandomForestClassifier(n_estimators=100, max_depth=3, random_state=42)
rf.fit(X_train, y_train)  # 决策树不需要特征缩放
y_pred = rf.predict(X_test)

print("Random Forest Classification Report:\n", classification_report(y_test, y_pred))

6. 模型比较与选择

将三个模型在测试集上的表现汇总：

模型	准确率	精确率(加权)	召回率(加权)	F1分数(加权)
逻辑回归	0.97	0.97	0.97	0.97
SVM	1.00	1.00	1.00	1.00
随机森林	0.93	0.94	0.93	0.93

从结果看，SVM表现最好，但要注意：

小数据集上可能存在偶然性
SVM对参数更敏感（我们使用了默认参数）
随机森林没有做超参数调优

7. 模型优化与调参

7.1 网格搜索交叉验证

以SVM为例演示超参数调优：

from sklearn.model_selection import GridSearchCV

param_grid = {
    'C': [0.1, 1, 10, 100],
    'gamma': ['scale', 'auto', 0.1, 1],
    'kernel': ['rbf', 'linear']
}

grid_search = GridSearchCV(SVC(), param_grid, cv=5, verbose=2)
grid_search.fit(X_train_scaled, y_train)

print("Best parameters:", grid_search.best_params_)
print("Best cross-validation score:", grid_search.best_score_)

7.2 学习曲线分析

检查模型是否过拟合或欠拟合：

from sklearn.model_selection import learning_curve
import numpy as np

train_sizes, train_scores, test_scores = learning_curve(
    SVC(C=10, gamma=0.1, kernel='rbf'),
    X_train_scaled, y_train, cv=5,
    train_sizes=np.linspace(0.1, 1.0, 10)
)

plt.figure(figsize=(10, 6))
plt.plot(train_sizes, np.mean(train_scores, axis=1), 'o-', label="Training score")
plt.plot(train_sizes, np.mean(test_scores, axis=1), 'o-', label="Cross-validation score")
plt.xlabel("Training examples")
plt.ylabel("Score")
plt.legend()
plt.show()

8. 模型部署与应用

8.1 保存和加载模型

import joblib

# 保存最佳模型
joblib.dump(grid_search.best_estimator_, 'iris_svm_model.pkl')

# 加载模型
loaded_model = joblib.load('iris_svm_model.pkl')

# 使用模型预测新数据
new_data = [[5.1, 3.5, 1.4, 0.2]]  # 示例数据
new_data_scaled = scaler.transform(new_data)  # 使用相同的scaler
prediction = loaded_model.predict(new_data_scaled)
print("Predicted class:", iris.target_names[prediction][0])

8.2 构建简单的预测API

使用Flask创建Web服务：

from flask import Flask, request, jsonify
import joblib
import numpy as np

app = Flask(__name__)
model = joblib.load('iris_svm_model.pkl')
scaler = joblib.load('iris_scaler.pkl')  # 需要单独保存scaler

@app.route('/predict', methods=['POST'])
def predict():
    data = request.get_json()
    features = [data['sepal_length'], data['sepal_width'],
                data['petal_length'], data['petal_width']]
    scaled_features = scaler.transform([features])
    prediction = model.predict(scaled_features)
    return jsonify({'species': iris.target_names[prediction[0]]})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)