一、课程学习收获总结
通过这几次机器学习课程的学习，我主要有以下几方面的收获：
1. 基础概念的系统理解
我掌握了机器学习的基本流程：从数据预处理、模型选择、训练评估到模型部署。重点理解了监督学习（分类/回归）、无监督学习（聚类）的核心区别，以及过拟合、欠拟合、交叉验证等关键概念。
2. Python工具链的实际运用
熟练掌握了 pandas/numpy 进行数据清洗与特征工程，matplotlib/seaborn 进行数据可视化，以及 scikit-learn 实现经典机器学习算法。这些工具链让我从理论走向了实践，真正实现了从“数据”到“模型”的闭环。
3. 经典算法的实践与对比
我重点实践了以下几类算法：
◦ 分类算法：逻辑回归、KNN、决策树，理解了它们的适用场景与优缺点。
◦ 聚类算法：K-Means，掌握了无监督学习在数据分组中的应用。
通过对比不同算法在同一任务上的表现，我学会了根据数据特点和业务需求选择合适的模型。
4. 解决问题的思维方式
我学会了以“问题驱动”的方式思考：先分析问题是分类还是回归，再对数据进行探索性分析，然后通过数据预处理和特征工程优化模型，最后通过评估指标（如准确率、F1分数）来迭代改进。
二、机器学习案例教程：基于KNN的鸢尾花分类
这个案例用 scikit-learn 自带的鸢尾花数据集，实现一个KNN分类模型，非常适合入门。
1. 项目简介
• 任务：根据花的萼片、花瓣的长度和宽度，将鸢尾花分为3个品种。
• 算法：K-近邻（KNN），原理简单，非常适合入门。
• 目标：实现模型训练、预测，并输出准确率。
2. 环境准备
确保你已经安装了Python和这些库：
pip install numpy pandas scikit-learn matplotlib
3. 完整代码实现
# 1. 导入所需库 from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score import pandas as pd import matplotlib.pyplot as plt # 2. 加载并探索数据 iris = load_iris() X = iris.data # 特征：花的4个测量值 y = iris.target # 标签：花的品种（0,1,2） # 打印数据集信息 print("数据集特征名:", iris.feature_names) print("数据集标签名:", iris.target_names) # 3. 划分训练集和测试集（80%训练，20%测试） X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) # 4. 创建并训练KNN模型 knn = KNeighborsClassifier(n_neighbors=3) # 设置K值为3 knn.fit(X_train, y_train) # 5. 在测试集上预测并评估模型 y_pred = knn.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print(f"模型准确率: {accuracy * 100:.2f}%") # 6. 可视化：用前两个特征绘制散点图 plt.figure(figsize=(10, 6)) plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired) plt.xlabel(iris.feature_names[0]) plt.ylabel(iris.feature_names[1]) plt.title("Iris Dataset Visualization") plt.colorbar(ticks=[0, 1, 2], label='Species') plt.show()
4. 代码分步解析
• 第1-2步：导入库与加载数据
我们使用 scikit-learn 自带的 load_iris() 函数获取数据。数据分为两部分：X（特征，4个数值）和 y（标签，3个品种）。
• 第3步：划分训练集和测试集
train_test_split 函数将数据随机分为两部分，80%用于训练模型，20%用于评估模型性能，避免过拟合。
• 第4步：创建并训练KNN模型
KNeighborsClassifier 是KNN算法的实现。n_neighbors=3 表示模型会参考离它最近的3个邻居的类别来决定新数据的类别。fit() 方法用来训练模型。
• 第5步：评估模型
predict() 方法用于预测测试集的结果，accuracy_score() 计算预测的准确率。运行后，模型的准确率通常能达到95%以上。
• 第6步：数据可视化
用 matplotlib 将数据点按品种绘制成散点图，可以直观地看到不同品种的花在特征空间中的分布情况。
5. 运行结果说明
• 控制台输出：会打印出特征名、标签名和最终的准确率。
• 可视化图表：会弹出一个窗口，显示一个彩色的散点图，不同颜色代表不同的花品种。
