鸢尾花

鸢【音：yuān】尾花（Iris）是单子叶百合目花卉，是一种比较常见的花，可能不经意间你就能在某个公园里碰见它，而且鸢尾花的品种较多。如果逛公园的时，想在女神面前一展才华，不妨了解下关于鸢尾花种类识别的数据集：)

鸢尾花数据集可能是模式识别、机器学习等领域里被使用最多的一个数据集了，很多教材用这份数据来做案例，很多工具，包括R、scikit-learn，都会自带这些数据集，而且说学术界很多论文也应用这份数据做实验，可见这份数据的重要意义。

数据来源和背景

鸢尾花数据集最初由Edgar Anderson 测量得到，而后在著名的统计学家和生物学家R.A Fisher于1936年发表的文章「The use of multiple measurements in taxonomic problems」中被使用，用其作为线性判别分析（Linear Discriminant Analysis）的一个例子，证明分类的统计方法，从此而被众人所知，尤其是在机器学习这个领域。

数据中的两类鸢尾花记录结果是在加拿大加斯帕半岛上，于同一天的同一个时间段，使用相同的测量仪器，在相同的牧场上由同一个人测量出来的。这是一份有着70年历史的数据，虽然老，但是却很经典，详细数据集可以在UCI数据库中找到。

数据集详情

鸢尾花数据集共收集了三类鸢尾花，即Setosa鸢尾花、Versicolour鸢尾花和Virginica鸢尾花，每一类鸢尾花收集了50条样本记录，共计150条。

数据集包括4个属性，分别为花萼的长、花萼的宽、花瓣的长和花瓣的宽。对花瓣我们可能比较熟悉，花萼是什么呢？花萼是花冠外面的绿色被叶，在花尚未开放时，保护着花蕾。四个属性的单位都是cm，属于数值变量，四个属性均不存在缺失值的情况，以下是各属性的一些统计值如下：

数据探索

在做任何机器学习的任务之前，需要对数据集进行探索，对其要有基本的认识，包括数据背后的业务背景、数据的量级、是否有缺失值、数据属性的数据类型，还有各个属性的极值、均值、分布等汇总统计指标。常用的指标包括：
1、频率和众数，针对无序分类数据集，其中众数是具有最高频率的值。
2、百分位数，主要针对有序数据集，比如我们可计算鸢尾花数据集中的四个属性的10、25、50、75、90等百分位数。
3、位置度量，包括均值和中位数。
4、散布度量，主要用极差和方差两个指标，跟均值和中位数一样，多用于描述连续数据属性。因为极差和方差均对离群值敏感，所以还可以采用绝对平均偏差、中位数绝对偏差和四分位数极差等指标来度量。
5、在多元属性的数据集中，每个属性的散布度量可独立其他属性，使用4中的指标来计算，但对于连续变量的数据，散布度量会更多采用协方差来表示。

数据探索不仅需要汇总统计，有时适当的可视化可以带来更直观的效果。对数据的可视化，可以让我们更快速更有效的了解数据的信息。Python中有强大的工具可让我们做这些数据探索，属性的汇总统计指标使用numpy中的统计函数计算，而matplotlib用来做数据的可视化也是非常方便。

常见的可视化技术，比如针对少量属性的可视化，多采用直方图、盒装图、饼图、散布图、百分位数图等。以萼长、萼宽属性为例，可得到三类鸢尾花在萼长和萼宽上的散布图，如下：

萼长和萼宽属性的散布图

给出绘制该散步图的代码：

from matplotlib import pyplot
from sklearn.datasets import load_iris

iris = load_iris()
setosa_sepal_len = iris.data[:50, 0]
setosa_sepal_width = iris.data[:50, 1]

versi_sepal_len = iris.data[50:100, 0]
versi_sepal_width = iris.data[50:100, 1]

vergi_sepal_len = iris.data[100:, 0]
vergi_sepal_width = iris.data[100:, 1]

pyplot.scatter(setosa_sepal_len, setosa_sepal_width, marker = 'o', c = 'b',  s = 30, label = 'Setosa')
pyplot.scatter(versi_sepal_len, versi_sepal_width, marker = 'o', c = 'r',  s = 50, label = 'Versicolour')
pyplot.scatter(vergi_sepal_len, vergi_sepal_width, marker = 'o', c = 'y',  s = 35, label = 'Virginica')
pyplot.xlabel("sepal length")
pyplot.ylabel("sepal width")
pyplot.title("sepal length and width scatter")
pyplot.legend(loc = "upper right")

（全文完）