一个完整的机器学习分类任务流程。
用逻辑回归模型给鸢尾花分类，还加了 “自动调参” 功能，全程用专业的 Pipeline 串联，避免出错。
用鸢尾花的 4 个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度），训练一个模型，自动区分鸢尾花的 3 个品种（标签 0/1/2）。
用 “网格搜索” 自动找最优参数，让模型准确率更高。

1、-----------导入工具包----------------------

from sklearn.datasets import load_iris  # 加载鸢尾花数据集（自带的“练习数据”）
from sklearn.model_selection import train_test_split, GridSearchCV  # 拆分数据、自动调参工具
from sklearn.pipeline import Pipeline  # 流程管道（把多个步骤串起来，避免出错）
from sklearn.preprocessing import StandardScaler, PolynomialFeatures  # 数据预处理工具（标准化、特征升维）
from sklearn.linear_model import LogisticRegression  # 逻辑回归模型（核心分类算法）
from sklearn.metrics import classification_report  # 模型评估报告（看准确率、召回率等）
from sklearn.decomposition import PCA  # 降维工具（这里没用到，相当于备用工具）

2、-----------------加载数据----------------

X_origin, y_origin = load_iris(return_X_y=True)
"""
load_iris(return_X_y=True) 会返回两部分数据：
X_origin：特征数据（4 列，每列是一个特征，比如花萼长度）；
y_origin：标签数据（1 列，每个值是 0/1/2，代表鸢尾花的 3 个品种）；
简单说：X 是 “描述花的特征”，y 是 “花的品种答案”。
"""

3、---------------拆分训练集和测试集（相当于 “分训练题和考试题”）------------

X_train, X_test, y_train, y_test = train_test_split(
    X_origin,
    y_origin,
    test_size=0.2,
    random_state=666
)

'''
把所有数据分成两部分：
X_train、y_train：训练集（80% 的数据，相当于 “课后习题”，用来教模型学习特征和标签的关系）；
X_test、y_test：测试集（20% 的数据，相当于 “期末考试题”，用来检验模型学得好不好）；
关键参数：
test_size=0.2：测试集占 20%（常用比例）；
random_state=666：固定随机种子（保证每次运行拆分结果一样，方便复现）。
'''

4、---------------------搭建 Pipeline 流程（相当于 “制定做菜步骤”）-----------------

pipe = Pipeline([
    ('scaler', StandardScaler()),  # 步骤1：数据标准化
    ('poly', PolynomialFeatures()),  # 步骤2：特征升维（给模型加“高阶特征”，提升拟合能力）
    ('model', LogisticRegression(    # LogisticRegression逻辑回归
        penalty='elasticnet',  # 正则化类型：L1+L2混合（防止模型过拟合）
        C=1,  # 正则化强度（默认值，后续会自动调参）
        l1_ratio=0.2,  # L1和L2的比例（默认值，后续自动调参）
        solver='saga',  # 优化器（支持混合正则化，适合多分类）
        max_iter=100  # 最大迭代次数（训练时的“最大步数”）
    ))
])
'''
核心作用：把 “数据预处理” 和 “模型训练” 串成一个流程，避免 “数据泄露”（比如用测试集的信息训练模型，导致结果作弊）。
流程顺序：先标准化 → 再特征升维 → 最后用逻辑回归训练。
为什么要标准化？逻辑回归对特征尺度敏感（比如有的特征是 1-10，有的是 0-1），标准化后所有特征在同一尺度，模型训练更稳定；
为什么要特征升维？原始特征是 “线性特征”，升维后会生成 “高阶特征”（比如特征 1× 特征 2），让模型能捕捉更复杂的关系（比如花瓣长度和宽度的乘积对品种的影响）。
'''

5、-----------------定义参数网格（相当于 “准备要试的调料组合”）------------------

param_grid = {
    'model__C': [0.01, 0.1, 1, 10, 100],  # 要测试的C值（正则化强度）
    'model__l1_ratio': [0, 0.2, 0.8, 1],  # 要测试的l1_ratio值（L1/L2比例）
}
'''
模型的参数（比如C、l1_ratio）直接影响效果，但我们不知道哪个值最好。所以这里定义了 “要测试的参数组合”：
model__C：测试 5 个值（0.01→正则化最强，100→正则化最弱）；
model__l1_ratio：测试 4 个值（0→纯 L2，1→纯 L1，0.2/0.8→混合比例）；
总共要测试 5×4=20 种参数组合，找出效果最好的。
'''

6、--------------------- 网格搜索（相当于 “自动试所有调料组合，找最好吃的”）-----------

search = GridSearchCV(
    pipe,  # 要优化的流程（之前定义的Pipeline）
    param_grid=param_grid,  # 要测试的参数组合
    cv=5,  # 5折交叉验证（把训练集再分成5份，轮流当“验证集”，避免偶然）
    scoring='f1_macro',  # 评估指标（多分类任务常用，兼顾准确率和召回率）
    verbose=2,  # 训练时输出详细信息（让你看到进度）
    n_jobs=3  # 用3个CPU核心并行计算（加快调参速度）
)
'''
核心作用：自动用 20 种参数组合训练模型，每种组合都用 5 折交叉验证评估，最后选出 “效果最好的参数组合”。
为什么用交叉验证？避免单次训练的 “运气成分”（比如刚好训练集里的样本都很简单），让最优参数更可靠。
'''

7、-------------------------------训练 + 调参（相当于 “按流程做菜 + 试调料”）-------------

search.fit(X_train, y_train)
'''
解释：运行这行代码后，程序会自动做这些事：
1.对训练集做 “标准化→特征升维→逻辑回归训练”；
2.用 20 种参数组合轮流训练，每种组合用 5 折交叉验证；
3.记录每种组合的效果，找出最好的。
这步会花一点时间（取决于数据量和参数组合数），控制台会输出进度。
'''

8、---------------------输出最优结果（相当于 “看哪个调料组合最好”）---------------------

print('最佳参数：\n', search.best_params_)  # 输出效果最好的参数组合
print('最佳模型：\n', search.best_estimator_)  # 输出效果最好的完整模型
print('最佳分数：\n', search.best_score_)  # 输出最佳模型的训练集分数（5折交叉验证的平均分数）
'''
输出示例：
最佳参数：
 {'model__C': 10, 'model__l1_ratio': 0.2}
最佳模型：
 Pipeline(steps=[('scaler', StandardScaler()), ('poly', PolynomialFeatures()), ('model', LogisticRegression(C=10, l1_ratio=0.2, penalty='elasticnet', solver='saga'))])
最佳分数：
 0.9833333333333334
 解读：用 C=10、l1_ratio=0.2 的参数时，模型在训练集上的平均分数是 98.3%，效果很好。
'''

9、--------------------测试模型（相当于 “期末考试”）-----------------

predications = search.predict(X_test)  # 用最佳模型预测测试集
'''
用之前选好的 “最佳模型”，对测试集（20% 的新数据）做预测，得到 predications（预测的标签）。
'''

#10、---------------输出评估报告（相当于 “看考试成绩单”）---------------
report = classification_report(y_test, predications)
print('报告：\n', report)

输出示例：

报告：
               precision    recall  f1-score   support

           0       1.00      1.00      1.00        10
           1       1.00      0.91      0.95        11
           2       0.90      1.00      0.95         9

    accuracy                           0.97        30
   macro avg       0.97      0.97      0.97        30
weighted avg       0.97      0.97      0.97        30

解读报告里的关键指标（针对多分类）：

• precision（精确率）：预测为某个品种的样本中，真的是这个品种的比例（比如预测为 0 类的 10 个样本，全对）；
• recall（召回率）：真实是某个品种的样本中，被模型正确预测的比例（比如真实 1 类有 11 个，预测对了 10 个）；
• f1-score：精确率和召回率的平均值（综合指标）；
• accuracy（准确率）：测试集上总预测正确的比例（这里是 97%，很好）；
• support：每个品种的测试集样本数（比如 0 类有 10 个测试样本）。

核心步骤总结：
加载鸢尾花数据 → 拆分训练 / 测试集 → 搭建 “标准化→特征升维→逻辑回归” 的流程 → 用网格搜索试 20 种参数组合 → 找到最优模型 → 用测试集检验效果 → 输出评估报告。

常见疑问
1、为什么用 Pipeline？
答：避免 “数据泄露”：比如如果先对所有数据标准化，再拆分训练 / 测试集，测试集的信息会提前泄露给模型（相当于考试前看了答案），Pipeline 会确保 “只在训练集上做预处理，测试集直接用训练集的预处理规则”。

2、参数 l1_ratio 为什么能选 0 或 1？
答：l1_ratio=0 等价于纯 L2 正则化（惩罚大系数，防止过拟合）；l1_ratio=1 等价于纯 L1 正则化（让不重要的特征系数为 0，实现特征筛选）；0-1 之间是混合比例。

3、为什么我的结果和示例不一样？
答：可能是 random_state 不同（拆分数据的方式变了），但分数应该都在 95% 以上（鸢尾花数据集很简单）。

4、max_iter=100 会不会不够？
答：有可能！如果运行时出现 ConvergenceWarning（收敛警告），可以把 max_iter 调大（比如 500），在 LogisticRegression 里加 max_iter=500 即可。

如果想修改 / 优化代码（新手可尝试）

• 去掉特征升维：如果觉得模型太复杂，可删除 (‘poly’, PolynomialFeatures()), 这一步，直接用原始特征训练；
• 调整参数范围：比如 model__C 可以加 0.001 或 200，看看是否有更好的结果； 换评估指标：把 scoring=‘f1_macro’ 改成 scoring=‘accuracy’（准确率），更直观。