【环哥】机器学习入门体验（前篇）
注：本文仅用于记录学习过程和展示实现方法，不展开机器学习的原理
首先是环境配置，以Python为例。如果只是想要体验一下机器学习，可以直接安装官方版本（https://www.python.org/downloads/）。但要注意版本号不宜太高，因为并非所有第三方模块都有良好的向上兼容性（比如之前直播时有同学推荐用autogluon实现机器学习模型的自动化调参，但autogluon 0.8.2对Python的版本要求为“Python >=3.8, <3.11”）。如果想要正经学一下编程，可以安装集成度更高的发行版，如Anaconda，省去常用第三方模块的安装。
本文以安装官方版本的情况为例，安装后请运行“命令提示符”，安装sklearn模块，命令为：
pip install scikit-learn
输入命令后按回车并等待安装结束即可。我这里因为安装过了，所以直接提示already satisfied。正常来说会同时将其依赖的其他模块一并安装（比如后面要用的numpy）。
然后开始借（chao）鉴（xi）代码，我参考的资料是这篇博文“决策树鸢尾花算法讲解”（https://blog.csdn.net/godnightshao/article/details/129956427）
PS：注释是我重新写的
from sklearn.datasets import load_iris
#导入鸢尾花数据集命令
from sklearn.tree import DecisionTreeClassifier
#导入决策树分类命令（不是决策树回归，它们是俩玩意儿）
from sklearn.model_selection import train_test_split
#导入拆分训练集和验证集的命令
iris = load_iris()
#构造一个变量，变量内容是鸢尾花数据集
X_train, X_test, y_train, y_test = train_test_split(
iris.data, iris.target, test_size=0.3, random_state=0)
#拆分训练集和验证集，各自又分为特征和标签，共4个变量。括号里的4个参数依次是特征数据集、标签数据集、验证集比例、随机种子
#随机种子相当于指定了某一个特定的随机结果，是需要调优的参数之一。如果不设置该参数，则每次运行该命令拆分的结果都不一样
clf = DecisionTreeClassifier(random_state=0)
#构造一个变量，这个变量就是决策树分类模型
clf.fit(X_train, y_train)
#用训练集的特征和标签来训练模型
print("Test accuracy:", clf.score(X_test,y_test))
#打印模型的性能指标
打开IDLE，新建文件，把以上代码复制粘贴进去，保存，按F5运行即可，样子如下：
构造模型时（即clf = DecisionTreeClassifier(random_state=0)这一行）的参数设置都是默认的，可能需要调节的参数有很多，比如分支准则（criterion）、分支选择策略（splitter）、最大深度（max_depth）、最大特征数量（max_features），这里不做展开，请自行按需学习~
这里有一个问题，已知关于机器学习模型性能的评价指标有好几种，accuracy（准确率）、precision（精度、查准率）、recall（召回率、查全率）、F1 score，其中F1 score对于多分类问题又有micro和macro两种计算方式，为了弄清楚参考资料中的accuracy到底是什么，额外导入f1_score()命令，并在最后增加两个print()命令，改造后代码如下：
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import f1_score
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
iris.data, iris.target, test_size=0.3, random_state=0)
clf = DecisionTreeClassifier(random_state=0)
clf.fit(X_train, y_train)
print("Test accuracy:", clf.score(X_test,y_test))
print("Test F1-micro:", f1_score(clf.predict(X_test), y_test,average='micro'))
print("Test F1-macro:", f1_score(clf.predict(X_test), y_test,average='macro'))
测试发现，score()命令返回的是micro口径的F1 score。测试比较粗糙，也可能结论不对，保险起见还是推荐用sklearn.metrics中的f1_score()命令。
这里还有一个问题，如果我想用自己的数据来训练，要怎么办呢。在运行结果窗口中分别用type()命令和print()命令看看数据集到底长什么样子。为了能显示的下，这里只打印了数据集的前5条内容。特征和标签都是numpy的N维数组（ndarray），特征数据集在形式上是：一个样本的N维特征为1个列表，所有样本外层再套1个列表。标签数据集在形式上直接就是1个列表，内容依次为每个样本对应的标签（鸢尾花的类别，一共3种，用0、1、2表示）。这就是用于构造自己的数据集的格式要求了。
假如，我们把自己的数据整理成如下格式，将其保存在data.txt中，与代码放在同一个目录下（这里还是用的鸢尾花数据集，只是为了演示如何改变读取数据的方式）：
X1,X2,X3,X4,target
5.1,3.5,1.4,0.2,0
4.9,3.0,1.4,0.2,0
4.7,3.2,1.3,0.2,0
……
加入读取该文本并将其转为N维数组的命令后，代码如下（已经去掉了原本读取鸢尾花数据集的命令）：
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import f1_score
import numpy
f=open('data.txt',encoding='utf8').read().splitlines()[1:]
#从文本中读取内容，不含第一行（即去掉表头）
data=[] #构造一个变量，类型为列表，用于以样本为单位存放特征
target=[] #构造一个变量，类型为列表，用于以样本为单位存放标签
for i in f: #遍历每一行
temp=[] #构造一个变量，类型为列表，用于存放一个样本的N维特征
for X in i.split(',')[:4]: #遍历该行的前4项
temp.append(float(X)) #将文本转为浮点型，再添加到temp中
data.append(temp) #将temp添加到data中
target.append(i.split(',')[4]) #将该行的第5项添加到target中
data=numpy.array(data) #转换成N维数组
target=numpy.array(target) #转换成N维数组
X_train, X_test, y_train, y_test = train_test_split(
data, target, test_size=0.3, random_state=0)
#特征数据集和标签数据集已替换为自己的数据
clf = DecisionTreeClassifier(random_state=0)
clf.fit(X_train, y_train)
print("Test F1-micro:", f1_score(clf.predict(X_test), y_test,average='micro'))
print("Test F1-macro:", f1_score(clf.predict(X_test), y_test,average='macro'))
今天的时间只够写这些了，一直到下周日每天都有短时讨论的安排，今天和明天还各有一个审稿截至，先这样吧。后篇会继续展示如何使用训练好的模型进行预测并输出预测结果（其实预测命令上面已经出现过了），以及利用optuna模块实现自动化参数调优。