鸢尾花案例之查看数据集
1 课程概览
本课开始KNN算法的实战案例——鸢尾花分类。首先介绍鸢尾花数据集的结构（特征、标签、类别），然后使用scikit-learn的load_iris函数加载数据集，详细查看数据集的各项属性（data、target、target_names、feature_names、DESCR等），为后续数据预处理和模型训练做准备。
2 核心概念与定义
- 鸢尾花数据集（Iris Dataset）：scikit-learn自带的经典分类数据集，共150条数据，3个类别，4个特征。
- load_iris：sklearn.datasets模块中加载鸢尾花数据集的函数。
- Bunch：数据集的类型，类似字典，可通过键访问值。
- 特征（Feature）：花萼长度、花萼宽度、花瓣长度、花瓣宽度（4个，单位厘米）。
- 标签（Target）：鸢尾花类别，用0、1、2表示三种花。
- target_names：标签对应的类别名称。
3 算法与模型详解
3.1 鸢尾花数据集结构
特征（4列）：
| 特征名 | 含义 | 单位 |
|---|---|---|
| sepal length | 花萼长度 | cm |
| sepal width | 花萼宽度 | cm |
| petal length | 花瓣长度 | cm |
| petal width | 花瓣宽度 | cm |
标签（3类）：
| 标签值 | 类别名 | 学名 |
|---|---|---|
| 0 | 山鸢尾 | setosa |
| 1 | 变色鸢尾 | versicolor |
| 2 | 维吉尼亚鸢尾 | virginica |
数据量：150条（每类50条，均衡分布）
3.2 数据集关键属性
| 属性 | 说明 | 内容 |
|---|---|---|
| data | 具体特征数据 | 150×4的二维数组 |
| target | 具体标签数据 | 150个值（0/1/2） |
| target_names | 标签对应的名称 | 3个类别名 |
| feature_names | 特征名 | 4个特征列名 |
| DESCR | 数据集描述信息 | 详细文字说明 |
| frame | 数据框架 | None（无DataFrame） |
| filename | 文件名 | iris.csv |
| data_module | 数据模型来源 | sklearn.datasets.data |
3.3 特征值参考范围（来自DESCR）
| 特征 | 最小值 | 最大值 |
|---|---|---|
| sepal length | 4.3 | 7.9 |
| sepal width | 2.0 | 4.4 |
| petal length | 1.0 | 6.9 |
| petal width | 0.1 | 2.5 |
⚠️自定义测试数据时，特征值应在此范围内，否则无法正确预测。
3.4 机器学习项目研发流程
- 加载数据
- 数据预处理
- 特征工程（提取、预处理）
- 模型训练
- 模型评估
- 模型预测
4 数学原理与推导
本课无数学推导。
5 代码示例
from sklearn.datasets import load_iris
# 加载鸢尾花数据集
iris_data = load_iris()
# 查看数据集类型（Bunch，类似字典）
print("数据集类型：", type(iris_data))
# 查看所有键
print("数据集的键：", iris_data.keys())
# 查看具体数据（前5条）
print("具体的数据：\n", iris_data.data[:5])
print("数据条数：", len(iris_data.data)) # 150
# 查看具体标签（前5条）
print("具体的标签：", iris_data.target[:5])
print("标签条数：", len(iris_data.target)) # 150
# 查看标签对应的名称
print("标签对应的名称：", iris_data.target_names)
# 查看特征名
print("特征名：", iris_data.feature_names)
# 查看描述信息
print("描述信息：", iris_data.DESCR)
# 查看文件名
print("文件名：", iris_data.filename)
6 重难点与易错提醒
- ❗重点：鸢尾花数据集共150条数据，3个类别（每类50条），4个特征。
- ❗重点：数据集类型为Bunch，类似字典，通过键访问值。
- ❗重点：实际使用的主要字段：data（特征）、target（标签）、target_names（类别名）、feature_names（特征名）。
- ⚠️易错：加载sklearn自带数据集需要联网（首次加载较慢，后续会缓存）。
- ⚠️易错：自定义测试数据的特征值必须在数据集的参考范围内。
- 💡深入理解：Bunch类型不是字典，但可以当做字典使用。
7 课堂问答精选
Q: 鸢尾花数据集的标签为什么用0、1、2表示？
A: 因为机器学习模型处理数值型标签更方便。0、1、2分别对应三种鸢尾花：0=山鸢尾(setosa)，1=变色鸢尾(versicolor)，2=维吉尼亚鸢尾(virginica)。通过target_names可以查看标签对应的类别名称。
Q: 鸢尾花数据集的四个特征分别是什么？
A: 花萼长度(sepal length)、花萼宽度(sepal width)、花瓣长度(petal length)、花瓣宽度(petal width)，单位都是厘米。
8 本课小结
- 鸢尾花数据集：150条数据，3类（每类50条），4个特征。
- 加载方式：from sklearn.datasets import load_iris
- 数据集类型为Bunch（类似字典），通过键访问值。
- 关键属性：data（特征）、target（标签）、target_names（类别名）、feature_names（特征名）。
- 机器学习流程：加载→预处理→特征工程→训练→评估→预测。
9 延伸思考与实践
- 实践：加载鸢尾花数据集，查看所有属性。
- 思考：为什么数据集要均衡分布（每类50条）？
- 预习：鸢尾花数据集的可视化。