# myiris

**Repository Path**: cobaltyang/myiris

## Basic Information

- **Project Name**: myiris
- **Description**: 我的鸢尾花分类程序
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 0
- **Created**: 2023-06-06
- **Last Updated**: 2024-03-28

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## 安装与配置
```
pip install -r requirements.txt
```

## 一、鸢尾花数据集
鸢尾花数据集（Iris dataset）是机器学习领域中非常经典的数据集之一，用于分类问题的实验和算法验证。它由英国统计学家和生物学家Ronald Fisher在1936年的一篇论文中首次引入。该数据集是基于鸢尾花的特征测量值，共包含150个样本。

鸢尾花数据集的采集是为了研究不同种类的鸢尾花之间的差异。Fisher选择了三种不同的鸢尾花品种：Setosa、Versicolor和Virginica，并对它们的花萼（sepal）长度、花萼宽度、花瓣（petal）长度和花瓣宽度进行了测量。

这个数据集的重要性在于它的样本之间具有明显的特征差异，且特征之间相对独立。这使得鸢尾花数据集成为许多分类算法的基准测试数据集。通过对这些特征进行分析和分类模型的构建，可以评估和比较不同算法在分类任务上的性能。

鸢尾花数据集在机器学习和模式识别领域中得到广泛应用。它被用于训练和评估分类算法，特征选择和特征提取的研究，以及数据可视化和模式发现等任务。其简单且易于理解的特征使得初学者能够快速上手，并且它在实际应用中也具有较高的可靠性和普适性。

随着时间的推移，鸢尾花数据集已经成为机器学习社区中的经典数据集之一，广泛用于教育、研究和算法开发。


>鸢尾花数据集是机器学习领域中常用的数据集之一，用于分类问题的演示和实验。该数据集包含了150个样本，每个样本对应一朵鸢尾花的测量值。每个样本有四个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度。目标变量是鸢尾花的类别，共有三个类别：山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）和维吉尼亚鸢尾（Iris-virginica）。


## 二、决策树模型
决策树算法是一种基于树状结构的监督学习算法，用于解决分类和回归问题。它的发展可以追溯到20世纪60年代，最早由美国心理学家和计算机科学家J.R. Quinlan提出，并在之后得到了广泛的研究和应用。

决策树算法的基本思想是通过构建一棵树来表示特征和类别之间的关系，从而对新样本进行预测或分类。决策树的每个节点表示一个特征，分支表示特征取值，叶节点表示类别或回归值。通过从根节点开始，根据样本的特征逐步向下分裂，决策树可以形成一系列的判定规则，用于对新样本进行分类或预测。

随着决策树算法的发展，出现了多种不同的决策树算法和改进方法。其中最著名的是ID3（Iterative Dichotomiser 3）、C4.5和CART（Classification and Regression Trees）等。这些算法在树的构建过程中采用不同的策略，如信息增益、基尼系数等来选择最优的分裂特征和分裂点。

决策树算法具有许多优点，包括易于理解和解释、能够处理多类别问题、能够处理数值和离散型特征等。它在数据挖掘、机器学习、模式识别等领域得到了广泛应用。此外，决策树算法还可以通过集成学习方法（如随机森林和梯度提升树）进行进一步的改进和扩展。

随着机器学习领域的不断发展，决策树算法也在不断演进和优化。研究者们提出了许多改进的决策树算法，如剪枝技术、增量学习、决策树集成等，以进一步提高算法的性能和应用范围。决策树算法在实际应用中取得了许多成功的案例，成为机器学习领域中重要的工具之一。

决策树是一种基于树状结构的机器学习算法，用于解决分类和回归问题。它通过对特征进行逐步划分，构建一棵树来进行决策。决策树模型具有直观的解释性，易于理解和解释。在分类问题中，决策树通过将特征空间划分为不同的区域，每个区域对应一个类别。在回归问题中，决策树预测的是连续变量的值。


### 决策树模型的算法流程如下：

1. 选择特征：
从训练数据中选择一个最优特征作为根节点，通常根据特征选择准则（如信息增益、基尼系数等）来评估特征的重要性。

2. 划分数据：
根据选择的特征将数据集划分为不同的子集，每个子集对应特征取值的一个分支。

3. 递归构建子树：对于每个子集，重复步骤1和步骤2，选择最优特征，并继续划分数据，构建子树。

    停止条件：递归构建子树的过程会一直进行，直到满足以下停止条件之一：

    所有的样本属于同一类别，即达到纯度。
    没有更多特征可供选择，或者达到预定义的树的最大深度。
    生成决策树：将每个节点表示为一个特征，每个分支表示特征的一个取值，将各个节点和分支连接起来形成决策树。

4. 预测：使用生成的决策树对新的样本进行分类。根据样本的特征值，从根节点开始遍历决策树，根据节点的特征和分支进行判断，直到达到叶节点，即得到样本的分类结果。

决策树模型的算法流程简单直观，易于理解和解释。通过选择最优特征和递归划分数据，决策树能够自动学习特征之间的关系，从而对新的样本进行准确的分类预测。




## 三、程序解释
这段程序使用决策树分类器对鸢尾花数据集进行分类。具体步骤如下：

- 首先，使用 load_iris() 函数从 sklearn 库中加载鸢尾花数据集，并将特征矩阵赋值给变量 X，目标向量赋值给变量 y。

- 然后，使用 train_test_split() 函数将数据集划分为训练集和测试集。其中，test_size=0.2 表示将20%的数据划分为测试集，random_state=42 是一个随机种子，用于控制随机划分过程的可重复性。

- 接下来，创建一个决策树分类器对象 clf。调用 fit() 方法来训练模型，将训练集的特征矩阵 X_train 和目标向量 y_train 作为输入。
使用训练好的模型对测试集的特征矩阵 X_test 进行预测，得到预测结果 y_pred。

  该程序使用了 sklearn 库中的决策树分类器和一些评估指标函数。可以使用这些评估指标函数计算分类模型的准确率（accuracy_score）、精确率（precision_score）、召回率（recall_score）和 F1 分数（f1_score）等指标，以评估模型的性能。

- 最后，可以根据实际的测试结果来分析决策树模型在鸢尾花数据集上的分类性能。
## 程序运行成功截图
![Image](success.jpg)