python
# 导入必要的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import datasets
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report, confusion_matrix, accuracy_score

# 解决matplotlib中文显示问题，设置图表样式
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示异常问题
sns.set_style("whitegrid")  # 设置图表网格样式
plt.rcParams['figure.figsize'] = (10, 6)  # 设置默认图表大小

# 加载鸢尾花数据集（Scikit-learn内置数据集，可直接调用）
iris = datasets.load_iris()
X = iris.data  # 特征矩阵：shape=(150,4)，对应150个样本、4个特征
y = iris.target  # 目标变量（标签）：shape=(150,)，0/1/2分别对应三种鸢尾花品种
feature_names = iris.feature_names  # 特征名称：['萼片长度(cm)', '萼片宽度(cm)', '花瓣长度(cm)', '花瓣宽度(cm)']
target_names = iris.target_names  # 品种名称：['setosa', 'versicolor', 'virginica']

# 转换为DataFrame格式（便于后续数据分析和可视化）
df = pd.DataFrame(X, columns=feature_names)
df['species'] = y  # 添加数字标签列
# 映射数字标签为具体品种名称，提升可读性
df['species_name'] = df['species'].map({0: target_names[0], 1: target_names[1], 2: target_names[2]})

# 查看数据集基础信息
print("数据集形状:", X.shape)  # 输出：(150, 4)
print("特征名称:", feature_names)
print("目标类别:", target_names)
print("\n前5行数据:")
print(df.head())

python
# 1. 数据基本统计分析（查看特征的均值、标准差、最值等）
print("数据基本统计信息:")
print(df.describe())  # 输出每个特征的统计指标

# 查看各类别样本数量（确认数据集是否平衡）
print("\n各类别样本数量:")
print(df['species_name'].value_counts())  # 输出：每种品种各50个样本，数据集平衡

# 2. 特征分布可视化（直方图：查看单个特征在不同品种中的分布）
fig, axes = plt.subplots(2, 2, figsize=(14, 10))  # 创建2行2列的子图
features = feature_names

for idx, feature in enumerate(features):
    row, col = idx // 2, idx % 2  # 计算当前特征对应的子图位置
    # 遍历每个品种，绘制直方图
    for species in target_names:
        species_data = df[df['species_name'] == species][feature]
        axes[row, col].hist(species_data, alpha=0.5, label=species, bins=15)
    
    axes[row, col].set_xlabel(feature)
    axes[row, col].set_ylabel('频数')
    axes[row, col].set_title(f'{feature}分布（按品种划分）')
    axes[row, col].legend()  # 显示图例
    axes[row, col].grid(alpha=0.3)  # 添加网格，提升可读性

plt.tight_layout()  # 自动调整子图间距，避免重叠
plt.show()

# 3. 特征间关系散点图矩阵（查看特征两两之间的相关性和品种聚类情况）
plt.figure(figsize=(12, 10))
# sns.pairplot：自动绘制所有特征两两之间的散点图，对角线为特征分布直方图
sns.pairplot(df, hue='species_name', diag_kind='hist', palette='husl')
plt.suptitle('鸢尾花特征散点图矩阵', y=1.02)  # 设置总标题，y=1.02避免与子图重叠
plt.show()

# 4. 特征相关性热图（量化特征间的线性相关程度）
plt.figure(figsize=(10, 8))
correlation_matrix = df[features].corr()  # 计算特征间的相关系数矩阵
# 绘制热图，annot=True显示相关系数数值，cmap='coolwarm'用冷暖色区分正负相关
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0,
            square=True, linewidths=0.5, cbar_kws={"shrink": 0.8})
plt.title('特征相关性热图')
plt.tight_layout()
plt.show()

python
# 1. 划分训练集和测试集（核心原则：训练集用于建模，测试集用于评估模型泛化能力）
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)
# 参数说明：
# test_size=0.2：测试集占比20%，训练集占比80%
# random_state=42：固定随机种子，保证结果可复现
# stratify=y：按原数据集的类别比例划分，避免某类别在测试集中占比异常

# 查看划分后的数据规模和类别分布
print(f"训练集大小: {X_train.shape[0]} 个样本")  # 输出：120个样本
print(f"测试集大小: {X_test.shape[0]} 个样本")  # 输出：30个样本
print(f"训练集中各类别分布: {np.bincount(y_train)}")  # 输出：[40,40,40]（按0/1/2顺序）
print(f"测试集中各类别分布: {np.bincount(y_test)}")  # 输出：[10,10,10]

# 2. 数据标准化（对逻辑回归、SVM等对特征尺度敏感的模型至关重要）
scaler = StandardScaler()  # 初始化标准化器（将特征转换为均值=0、方差=1）
X_train_scaled = scaler.fit_transform(X_train)  # 训练集：先拟合（计算均值和方差）再转换
X_test_scaled = scaler.transform(X_test)  # 测试集：仅用训练集的均值和方差转换，避免数据泄露

# 查看标准化后的结果
print("\n标准化后的训练集前5个样本:")
print(pd.DataFrame(X_train_scaled, columns=feature_names).head())

python
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier

# 1. 初始化4种分类模型
models = {
    '逻辑回归': LogisticRegression(random_state=42, max_iter=1000),  # max_iter=1000确保收敛
    '支持向量机': SVC(kernel='rbf', random_state=42, probability=True),  # probability=True启用概率预测
    '决策树': DecisionTreeClassifier(random_state=42),
    '随机森林': RandomForestClassifier(n_estimators=100, random_state=42)  # n_estimators=100：100棵决策树
}

# 2. 训练模型并评估性能，用字典保存结果
results = {}

for model_name, model in models.items():
    print(f"\n{'='*60}")
    print(f"开始训练 {model_name}...")
    
    # 训练模型（使用标准化后的训练集）
    model.fit(X_train_scaled, y_train)
    
    # 模型预测（使用标准化后的测试集）
    y_pred = model.predict(X_test_scaled)  # 类别预测
    # 若模型支持概率预测，则获取预测概率（用于后续更细致的分析）
    y_pred_proba = model.predict_proba(X_test_scaled) if hasattr(model, "predict_proba") else None
    
    # 3. 模型评估
    # 准确率：预测正确的样本数/总样本数
    accuracy = accuracy_score(y_test, y_pred)
    
    # 5折交叉验证：避免单次划分的偶然性，更稳定地评估模型泛化能力
    cv_scores = cross_val_score(model, X_train_scaled, y_train, cv=5)
    
    # 输出评估结果
    print(f"{model_name} - 测试集准确率: {accuracy:.4f}")
    print(f"{model_name} - 5折交叉验证平均得分: {cv_scores.mean():.4f} (+/- {cv_scores.std()*2:.4f})")
    # 注：cv_scores.std()*2表示95%置信区间，反映得分的波动程度
    
    # 保存模型和评估结果到字典
    results[model_name] = {
        'model': model,
        'accuracy': accuracy,
        'cv_mean': cv_scores.mean(),
        'cv_std': cv_scores.std(),
        'predictions': y_pred,
        'predictions_proba': y_pred_proba
    }
    
    # 输出分类报告（包含精确率、召回率、F1值，更全面评估模型性能）
    print(f"\n{model_name} 分类报告:")
    print(classification_report(y_test, y_pred, target_names=target_names))

python
# 1. 整理模型性能数据，转换为DataFrame便于查看
models_comparison = pd.DataFrame({
    '模型': list(results.keys()),
    '测试准确率': [results[m]['accuracy'] for m in results.keys()],
    '交叉验证平均得分': [results[m]['cv_mean'] for m in results.keys()],
    '交叉验证标准差': [results[m]['cv_std'] for m in results.keys()]
}).sort_values('测试准确率', ascending=False)  # 按测试准确率降序排序

# 输出模型性能对比表
print("模型性能比较表:")
print(models_comparison)

# 2. 可视化模型性能（更直观对比）
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))  # 1行2列子图：准确率对比+交叉验证得分对比

# 子图1：测试集准确率对比（柱状图）
x_pos = np.arange(len(models_comparison))
ax1.bar(x_pos, models_comparison['测试准确率'], color=sns.color_palette("husl", len(models_comparison)))
ax1.set_xticks(x_pos)
ax1.set_xticklabels(models_comparison['模型'], rotation=45, ha='right')  # 旋转标签避免重叠
ax1.set_ylabel('准确率')
ax1.set_title('不同模型在测试集上的准确率')
ax1.set_ylim([0.8, 1.0])  # 限定y轴范围，突出差异

# 在柱状图上添加准确率数值标签
for i, v in enumerate(models_comparison['测试准确率']):
    ax1.text(i, v + 0.005, f'{v:.3f}', ha='center')

# 子图2：5折交叉验证得分对比（误差棒图，展示得分均值和波动）
ax2.errorbar(x_pos, models_comparison['交叉验证平均得分'],
             yerr=models_comparison['交叉验证标准差'],
             fmt='o', markersize=10, capsize=5, linewidth=2)
ax2.set_xticks(x_pos)
ax2.set_xticklabels(models_comparison['模型'], rotation=45, ha='right')
ax2.set_ylabel('交叉验证得分')
ax2.set_title('5折交叉验证得分（均值±标准差）')
ax2.set_ylim([0.8, 1.0])

plt.tight_layout()
plt.show()

# 3. 选择最佳模型（取测试准确率最高且交叉验证得分稳定的模型）
best_model_name = models_comparison.iloc[0]['模型']
best_model = results[best_model_name]['model']
print(f"\n本次实验最佳模型: {best_model_name}")
print(f"最佳模型测试准确率: {results[best_model_name]['accuracy']:.4f}")

python
# 1. 混淆矩阵分析（直观展示模型在各类别上的预测正确/错误情况）
print(f"\n{'='*60}")
print(f"对最佳模型 ({best_model_name}) 的深入分析")

best_predictions = results[best_model_name]['predictions']
cm = confusion_matrix(y_test, best_predictions)  # 计算混淆矩阵

# 绘制混淆矩阵热图
plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',
            xticklabels=target_names, yticklabels=target_names)
plt.xlabel('预测标签')
plt.ylabel('真实标签')
plt.title(f'{best_model_name} 混淆矩阵')
plt.show()

# 2. 特征重要性/系数分析（理解模型基于哪些特征做决策）
# 情况1：模型支持feature_importances_（如随机森林、决策树）
if hasattr(best_model, 'feature_importances_'):
    importances = best_model.feature_importances_  # 特征重要性得分（总和为1）
    indices = np.argsort(importances)[::-1]  # 对重要性得分降序排序，获取索引

    # 绘制特征重要性柱状图
    plt.figure(figsize=(10, 6))
    plt.bar(range(X.shape[1]), importances[indices], align='center')
    plt.xticks(range(X.shape[1]), [feature_names[i] for i in indices], rotation=45)
    plt.xlabel('特征')
    plt.ylabel('重要性得分')
    plt.title(f'{best_model_name} 特征重要性排序')
    plt.tight_layout()
    plt.show()
    
    # 输出特征重要性排序
    print("\n特征重要性排序:")
    for i, idx in enumerate(indices):
        print(f"{i+1}. {feature_names[idx]}: {importances[idx]:.4f}")

# 情况2：模型支持coef_（如逻辑回归等线性模型，系数正负表示特征对类别的影响方向）
elif hasattr(best_model, 'coef_'):
    # 处理多分类问题的系数（逻辑回归多分类时coef_ shape为(类别数, 特征数)）
    if len(best_model.coef_.shape) > 1:
        coefficients = best_model.coef_.mean(axis=0)  # 取各类别系数的均值
    else:
        coefficients = best_model.coef_
    
    # 绘制特征系数柱状图
    plt.figure(figsize=(10, 6))
    plt.bar(range(len(coefficients)), coefficients)
    plt.xticks(range(len(coefficients)), feature_names, rotation=45)
    plt.xlabel('特征')
    plt.ylabel('系数值')
    plt.title(f'{best_model_name} 特征系数（正系数促进分类，负系数抑制分类）')
    plt.tight_layout()
    plt.show()

python
# 导入joblib库（用于保存/加载模型）
import joblib
import os

# 1. 保存模型和标准化器
# 创建模型保存目录（若不存在则创建）
model_dir = 'saved_models'
os.makedirs(model_dir, exist_ok=True)  # exist_ok=True避免目录已存在时报错

# 定义保存路径
model_path = os.path.join(model_dir, 'best_iris_model.joblib')
scaler_path = os.path.join(model_dir, 'iris_scaler.joblib')

# 保存最佳模型和标准化器
joblib.dump(best_model, model_path)
joblib.dump(scaler, scaler_path)

print(f"最佳模型已保存到: {model_path}")
print(f"标准化器已保存到: {scaler_path}")

# 2. 加载模型并进行新样本预测（模拟实际部署场景）
# 加载保存的模型和标准化器
loaded_model = joblib.load(model_path)
loaded_scaler = joblib.load(scaler_path)

# 构造3个新样本（模拟实际场景中输入的特征数据）
new_samples = np.array([
    [5.1, 3.5, 1.4, 0.2],  # 特征类似Setosa品种
    [6.7, 3.0, 5.2, 2.3],  # 特征类似Virginica品种
    [5.9, 2.8, 4.1, 1.3]   # 特征类似Versicolour品种
])

# 新样本必须使用与训练集相同的标准化规则（使用加载的标准化器）
new_samples_scaled = loaded_scaler.transform(new_samples)

# 模型预测
predictions = loaded_model.predict(new_samples_scaled)  # 类别预测
prediction_probas = loaded_model.predict_proba(new_samples_scaled)  # 各类别预测概率

# 输出预测结果
print("\n新样本预测结果:")
for i, (sample, pred, proba) in enumerate(zip(new_samples, predictions, prediction_probas)):
    print(f"\n样本 {i+1}: 特征值 = {sample}")
    print(f"预测品种: {target_names[pred]}")
    print(f"各类别预测概率: {dict(zip(target_names, proba.round(4)))}")  # 保留4位小数

python
# 项目核心总结
print("=" * 60)
print("鸢尾花分类项目总结")
print("=" * 60)

print(f"1. 数据集信息: 鸢尾花数据集包含 {X.shape[0]} 个样本、{X.shape[1]} 个特征，共 {len(target_names)} 个品种")
print(f"2. 最佳模型: {best_model_name}")
print(f"3. 模型性能: 测试准确率 {results[best_model_name]['accuracy']:.4f}，5折交叉验证平均得分 {results[best_model_name]['cv_mean']:.4f}")
print(f"4. 核心特征: 基于模型分析，{feature_names[indices[0]]} 和 {feature_names[indices[1]]} 是区分鸢尾花品种的关键特征")
print(f"5. 工程化成果: 模型和标准化器已保存至本地，可直接用于新样本预测")

# 下一步扩展建议（提升技能的关键方向）
print("\n进阶扩展建议:")
print("1. 尝试更多算法: 如K近邻（KNN）、朴素贝叶斯、XGBoost、LightGBM等，对比不同算法的性能")
print("2. 超参数调优: 使用GridSearchCV或RandomizedSearchCV对最佳模型进行超参数调优，进一步提升准确率")
print("3. 特征工程: 尝试创建新特征（如花瓣面积=花瓣长度×花瓣宽度、萼片长宽比等），或使用特征选择工具（如SelectKBest）筛选最优特征子集")
print("4. Web部署: 将模型封装为Web接口（使用Flask或Streamlit），实现浏览器输入特征、在线查看预测结果的功能")
print("5. 处理不平衡数据: 本数据集为平衡数据集，可尝试模拟不平衡场景（如删除某品种部分样本），学习SMOTE等不平衡数据处理方法")

# 生成并保存详细分析报告（便于后续回顾或分享）
analysis_report = f"""
鸢尾花分类项目分析报告
生成时间: {pd.Timestamp.now().strftime('%Y-%m-%d %H:%M:%S')}

一、数据集基本信息
- 样本总数: {X.shape[0]} 个
- 特征数量: {X.shape[1]} 个（{', '.join(feature_names)}）
- 品种数量: {len(target_names)} 个（{', '.join(target_names)}）
- 数据集特点: 样本平衡，无缺失值

二、模型训练与评估结果
模型性能对比表:
{models_comparison.to_string()}

三、最佳模型详情
- 最佳模型名称: {best_model_name}
- 测试集准确率: {results[best_model_name]['accuracy']:.4f}
- 5折交叉验证平均得分: {results[best_model_name]['cv_mean']:.4f}
- 交叉验证标准差: {results[best_model_name]['cv_std']:.4f}

四、项目文件说明
- 最佳模型文件路径: {model_path}
- 标准化器文件路径: {scaler_path}
- 本分析报告文件路径: iris_analysis_report.txt

五、扩展建议
1. 尝试KNN、XGBoost等更多算法；2. 使用GridSearchCV进行超参数调优；3. 进行特征工程；4. 封装为Web应用；5. 学习不平衡数据处理方法。
"""

# 保存分析报告（编码设为utf-8，避免中文乱码）
with open('iris_analysis_report.txt', 'w', encoding='utf-8') as f:
    f.write(analysis_report)

print(f"\n详细分析报告已保存到: iris_analysis_report.txt")