进阶篇-机器学习篇-3--第一行机器学习代码，Scikit-learn模型：鸢尾花的分类

第一个Scikit-learn模型：鸢尾花分类

作者：Weisian
发布时间：2026年2月12日

你离第一个机器学习模型，只有15分钟。

很多人学机器学习最大的痛点不是“难”，而是**“不知道从哪里开始”**：

• 看了大把理论，一行代码没写过
• 数学公式背了一堆，不知道模型长什么样
• 收藏夹里几十个教程，打开第一个就卡在环境配置

今天，我们把这堵墙拆掉。
我们将用 Python 的 Scikit-learn 库，在著名的 鸢尾花（Iris）数据集上，完成一次完整的监督学习流程：

加载数据 → 划分训练/测试集 → 选择模型 → 训练 → 预测 → 评估

这不是玩具演示，而是工业界通用的 ML 工作流雏形。
更重要的是，你会亲眼看到：机器学习编程，和传统编程到底有什么本质不同？

不用等“准备好”，现在就是最好的开始。

一、先回答一个根本问题：什么是机器学习？

还记得之前文章我们说的吗？

传统编程 = 写规则 + 给数据 → 得结果
机器学习 = 给数据 + 给答案 → 得规则（模型）

现在，我们用代码来验证这句话。

🌸 场景：识别鸢尾花种类

鸢尾花有三种：

• Setosa（山鸢尾）
• Versicolor（变色鸢尾）
• Virginica（维吉尼亚鸢尾）

它们长得非常像，但花瓣和萼片的长度/宽度有细微差别。

📌 传统编程怎么做？

你得人工总结规则，比如：

• 如果花瓣长度 < 2.5cm → 是 Setosa
• 如果花瓣宽度 > 1.8cm 且 萼片长度 > 6cm → 是 Virginica
• ……（规则越写越复杂，还容易错）

📌 机器学习怎么做？

你只需要：

结果：模型在没见过的新花上，准确率高达 97%+！

✅ 这就是“从数据中学习规律”，而不是“人工编码逻辑”。

二、典型机器学习工作流（ML Pipeline）

无论你是做图像识别、金融风控还是推荐系统，所有监督学习项目都遵循这个五步流程：

[原始数据]
↓
[特征工程] → （本篇简化，直接用原始特征）
↓
[划分数据：训练集 / 测试集]
↓
[选择模型 → 训练（fit）]
↓
[预测（predict）→ 评估指标]
↓
[部署（可选）]

流程拆解：

今天，我们就用 Scikit-learn 把这五步全部走一遍。

💡 Scikit-learn 是 Python 最主流的 ML 库，接口统一、文档完善、适合入门和工业落地。

三、动手实战：10 行代码跑通鸢尾花分类

Scikit-learn是Python最经典的机器学习库，封装了所有常用算法，不用自己写底层逻辑，几十行代码就能跑通模型。

前置准备：安装依赖

pip install scikit-learn numpy pandas matplotlib

第一步：加载并理解鸢尾花数据集

# 导入必要的库
from sklearn.datasets import load_iris
import pandas as pd
import matplotlib.pyplot as plt

# 加载鸢尾花数据集（内置数据集，无需手动下载）
iris = load_iris()

# 1. 理解数据结构
# 特征数据（花瓣/花萼的长度、宽度）：150行×4列
X = iris.data # 特征矩阵
# 品种标签（0=山鸢尾，1=变色鸢尾，2=维吉尼亚鸢尾）：150行
y = iris.target
# 特征名称
feature_names = iris.feature_names
# 品种名称
target_names = iris.target_names

# 转换成DataFrame，方便查看
df = pd.DataFrame(X, columns=feature_names)
df['品种'] = [target_names[i] for i in y]

# 打印前5行数据
print("数据集前5行：")
print(df.head())

# 可视化：花瓣长度 vs 花瓣宽度（按品种着色）
plt.scatter(df['petal length (cm)'], df['petal width (cm)'], c=y)
plt.xlabel('花瓣长度 (cm)')
plt.ylabel('花瓣宽度 (cm)')
plt.title('鸢尾花花瓣特征分布')
plt.show()

输出解读：

• 数据集共150朵花，每朵花有4个特征（花萼长度/宽度、花瓣长度/宽度）
• 3个品种的花在花瓣特征上有明显的聚类趋势——这也是模型能分类的基础

第二步：划分训练集和测试集

机器学习不能用“见过的题”考模型，必须拆分数据：

• 训练集（70%-80%）：教模型学规则
• 测试集（20%-30%）：考模型学得好不好

from sklearn.model_selection import train_test_split

# 拆分数据：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 # random_state固定随机拆分结果
)

print(f"训练集样本数：{X_train.shape[0]}")
print(f"测试集样本数：{X_test.shape[0]}")

第三步：训练KNN分类模型

KNN（K近邻）是最简单的分类算法，核心逻辑：“看谁和你最像，你就是谁”。

from sklearn.neighbors import KNeighborsClassifier

# 1. 创建模型实例（选5个邻居）
knn = KNeighborsClassifier(n_neighbors=5)

# 2. 训练模型（喂数据学规则）
knn.fit(X_train, y_train)

print("模型训练完成！")

第四步：评估模型效果

from sklearn.metrics import accuracy_score

# 1. 用测试集做预测
y_pred = knn.predict(X_test)

# 2. 计算准确率（预测对的数量/总数量）
accuracy = accuracy_score(y_test, y_pred)

print(f"模型在测试集上的准确率：{accuracy:.2f}") # 通常能到97%-100%

# 3. 看具体预测结果
print("\\n测试集真实标签：", y_test)
print("测试集预测标签：", y_pred)

第五步：用模型做新预测

训练好的模型可以直接用！比如给一朵新花的特征，预测品种：

# 模拟一朵新鸢尾花的特征：[花萼长度, 花萼宽度, 花瓣长度, 花瓣宽度]
new_flower = [[5.1, 3.5, 1.4, 0.2]]

# 预测品种
pred = knn.predict(new_flower)
pred_name = target_names[pred[0]]

print(f"\\n新鸢尾花的品种预测：{pred_name}")

🎉 到这里。恭喜！你刚刚完成了一次完整的机器学习任务。

四、鸢尾花分类完整代码示例：

# ===================== 机器学习步骤1：导入工具库 =====================
# 1.1 导入sklearn内置的鸢尾花数据集加载函数
from sklearn.datasets import load_iris
# 1.2 导入pandas库（用于数据处理和表格化展示，新手友好）
import pandas as pd
# 1.3 导入matplotlib库（用于数据可视化，注释掉的代码是可视化功能）
import matplotlib.pyplot as plt
# 1.4 导入数据集拆分工具（将数据分为训练集/测试集，核心工具）
from sklearn.model_selection import train_test_split
# 1.5 导入K近邻分类器（本次要使用的机器学习模型）
from sklearn.neighbors import KNeighborsClassifier
# 1.6 导入准确率评估函数（衡量模型预测效果）
from sklearn.metrics import accuracy_score

# ===================== 机器学习步骤2：加载并理解数据 =====================
# 2.1 加载鸢尾花数据集（sklearn内置，无需手动下载，返回字典格式的数据集）
iris = load_iris()

# 2.2 提取核心数据：特征矩阵X（模型的输入）
# X是150行×4列的二维数组，每行代表一朵花，每列代表一个特征（花萼长/宽、花瓣长/宽）
X = iris.data
# 2.3 提取标签向量y（模型的输出/标准答案）
# y是150行的一维数组，取值0/1/2，分别对应3种鸢尾花品种
y = iris.target
# 2.4 提取特征名称（用于后续数据展示，方便理解每列含义）
feature_names = iris.feature_names # 结果：['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
# 2.5 提取品种名称（将数字标签0/1/2映射为具体品种名）
target_names = iris.target_names # 结果：['setosa', 'versicolor', 'virginica']

# 2.6 将特征矩阵转换为DataFrame（pandas表格格式，新手更容易查看数据）
df = pd.DataFrame(X, columns=feature_names)
# 2.7 给表格添加“品种”列（将数字标签替换为具体名称，直观展示）
df['品种'] = [target_names[i] for i in y]

# 2.8 打印数据集前5行（快速检查数据格式、特征含义、品种分布）
print("数据集前5行：")
print(df.head())

# 2.9 可视化花瓣长度和宽度的分布（注释掉，如需查看可取消注释）
# plt.scatter(df['petal length (cm)'], df['petal width (cm)'], c=y) # c=y按品种着色，不同品种用不同颜色
# plt.xlabel('花瓣长度 (cm)') # x轴标签
# plt.ylabel('花瓣宽度 (cm)') # y轴标签
# plt.title('鸢尾花花瓣特征分布') # 图表标题
# plt.show() # 显示图表（可直观看到不同品种的特征聚类趋势）

# ===================== 机器学习步骤3：拆分训练集和测试集 =====================
# 3.1 拆分规则：80%数据用于训练模型（教模型学规律），20%用于测试（验证模型效果）
# random_state=42：固定随机种子，保证每次运行拆分结果一致（新手复现结果必备）
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)

# 3.2 打印拆分后的样本数量（验证拆分比例是否正确）
print(f"\\n训练集样本数：{X_train.shape[0]}") # 输出120（150×80%）
print(f"测试集样本数：{X_test.shape[0]}") # 输出30（150×20%）

# ===================== 机器学习步骤4：创建并训练模型 =====================
# 4.1 初始化KNN分类器：n_neighbors=5表示“找最近的5个邻居来投票决定类别”
knn = KNeighborsClassifier(n_neighbors=5)

# 4.2 训练模型：核心动作fit()，让模型从训练数据中学习“特征→品种”的规律
# 入参：X_train（训练特征）、y_train（训练标签/标准答案）
knn.fit(X_train, y_train)
print("\\n模型训练完成！")

# ===================== 机器学习步骤5：模型评估（用测试集验证） =====================
# 5.1 用训练好的模型预测测试集：核心动作predict()，模型根据学习到的规律给出预测结果
y_pred = knn.predict(X_test)

# 5.2 计算准确率：正确预测的数量 / 测试集总数量，%.2f改为%.2%%是将小数转为百分比（更直观）
accuracy = accuracy_score(y_test, y_pred)
print(f"\\n模型在测试集上的准确率：{accuracy:.2%}") # 通常≥97%，代表模型效果很好

# 5.3 打印具体预测结果（新手可对比真实标签和预测标签，看哪里错了）
print("\\n测试集真实标签：", y_test) # 测试集的标准答案
print("测试集预测标签：", y_pred) # 模型的预测答案

# ===================== 机器学习步骤6：模型应用（预测新数据） =====================
# 6.1 模拟一朵新鸢尾花的特征（需和训练数据的特征顺序一致：花萼长、花萼宽、花瓣长、花瓣宽）
new_flower = [[5.1, 3.5, 1.4, 0.2]] # 注意是二维数组（sklearn要求输入必须是二维）

# 6.2 用训练好的模型预测新花的品种
pred = knn.predict(new_flower)
# 6.3 将数字预测结果转换为具体品种名
pred_name = target_names[pred[0]]

# 6.4 打印预测结果
print(f"\\n新鸢尾花的品种预测：{pred_name}") # 输出setosa（山鸢尾）

代码核心分析

1. 整体流程对应机器学习核心逻辑

2. 新手易混淆的关键点

• X和y的区别：X是“输入特征”（描述花的属性），y是“输出标签”（花的品种），模型的任务就是学习X→y的映射关系；
• train和test的区别：训练集用来“教”模型，测试集用来“考”模型，必须严格分开，否则评估结果不准；
• fit()和predict()的区别：fit()是“学习过程”（只运行一次），predict()是“应用过程”（可运行无数次，预测新数据）；
• new_flower为什么是二维数组：sklearn要求输入的特征必须是“样本数×特征数”的二维结构，哪怕只有1个样本，也要写成[[特征1, 特征2, …]]。

3. 运行结果解读

• 前5行数据显示：前5朵都是setosa（山鸢尾），特征数值很接近；
• 准确率100%：模型在测试集上全答对了（新手可尝试把n_neighbors改成1，看看准确率是否变化）；
• 新花预测结果：setosa，说明模型根据输入的特征，判断这朵花是山鸢尾。

小结

五、对比：传统编程 vs 机器学习编程

✅ 一句话破案：
传统编程：你告诉机器每一步怎么做。
机器学习：你给机器看大量例子，它自己学会怎么做。

六、一张图总结：鸢尾花项目全流程

原始数据 ──→ 特征矩阵 X ──→ 训练集 ──→ 训练模型 ──→ 评估
↓ ↓ ↓ ↓ ↓
150条记录 4个数值特征 80%数据 KNN分类器 97%+准确率
（花萼/花瓣） 20%数据 ↓ ↓
测试集 ←── 加载模型 ←── 保存模型
↓
预测新花 → setosa

这个流程，未来会重复上百遍。
每换一个数据集、每换一个业务场景，骨架完全一样。
你只需要换数据、换模型、调参数——思维方式不变。

✅ 这就是机器学习工程师的“肌肉记忆”。

七、为什么选鸢尾花？它有什么特殊意义？

• 历史地位：1936 年由统计学家 Fisher 提出，是机器学习界的“Hello World”
• 数据干净：无缺失值、无噪声、特征少、类别平衡
• 教学价值：能清晰展示分类、可视化、评估全流程

🎯 它不是玩具，而是认知脚手架——帮你建立正确的 ML 思维框架。

八、今天你能带走的三大认知

结语：你已经迈出了最关键的一步

今天你完成了三件大事：

这比90%收藏从未停止、行动从未开始的人，已经多走了100步。

接下来你要做的不是“学更多模型”，而是把这个流程练成条件反射：

• 拿到任何表格数据，第一反应：X在哪？y在哪？
• 见到任何预测问题，第一反应：分类还是回归？
• 训练完任何模型，第一反应：测试集分数多少？

这套思维方式，比记住10个算法更有价值。

总结

鸢尾花数据集作为机器学习入门经典案例，其简洁性和代表性能帮助快速建立正确的ML思维，后续可基于该流程扩展到真实业务场景。