机器学习与深度学习在Iris数据集上的高精度分类实践

本文档主要探讨了基于机器学习和深度学习对Iris数据集进行分类的方法，由作者刘林虎在2017年完成。Iris数据集是一个经典的数据集，它源自生物学领域，包含150个样本，分为三个类别：setosa、versicolor和virginica，每个类别各有50个样本，每个样本有四个特征：萼片长度、萼片宽度、花瓣长度和花瓣宽度。这些特征反映了鸢尾花的不同品种特性。 实验目标明确，旨在通过这个项目提升对机器学习算法的理解和掌握深度学习框架的应用能力。作者使用Python语言和Scikit-Learn库，进行了K-means、KNN、SVM和逻辑回归等多种机器学习算法的分类尝试。K-means算法在20%的测试集上的准确率为0.7657，而KNN和逻辑回归则分别达到了0.966的较高精度。 对于深度学习部分，由于Iris数据集的特点（非图像数据且数量较少），作者选择了Tensorflow框架，尽管通常深度学习更适合处理大规模图像数据。实验中构建了一个2层全连接神经网络，采用softmax分类，并利用梯度下降法进行优化。在服务器上运行，经过40000次迭代后，深度学习方法的准确率同样达到0.966。 通过这个项目的实践，作者不仅熟悉了各种机器学习算法，还加深了对Tensorflow框架的理解，强化了数据预处理和模型调优的能力。这个案例展示了如何将理论知识与实际应用相结合，尤其是在数据集规模较小的情况下选择合适的算法和框架进行有效分类。