机器学习入门实战：用决策树搞定经典鸢尾花分类（附完整可运行代码）
本文基于经典的 Iris（鸢尾花）数据集，使用 scikit-learn 中的决策树完成一个完整的三分类任务，覆盖数据加载 → 数据探查 → 特征工程 → 模型训练 → 模型评估 → 可视化的完整机器学习流程，非常适合机器学习初学者上手。文末附完整可运行代码以及几个初学者容易踩的坑。
一、简述
鸢尾花数据集（Iris Dataset）是机器学习领域的 “Hello World”，由统计学家 Fisher 于 1936 年整理。数据集一共记录了 150 朵鸢尾花的 4 个形态学特征，目标是根据这些特征判断它属于以下 3 个品种中的哪一种：
山鸢尾（Setosa）
变色鸢尾（Versicolor）
维吉尼亚鸢尾（Virginica）
4 个特征分别是：
特征 含义
sepal length (cm) 花萼长度
sepal width (cm) 花萼宽度
petal length (cm) 花瓣长度
petal width (cm) 花瓣宽度
本文选用决策树（Decision Tree） 作为分类器。它原理直观、可解释性强、对数据量要求低，而且训练完还能输出"哪个特征最重要"，非常适合入门理解机器学习到底在学什么。
二、环境准备
需要用到以下第三方库，如果没装可以先安装：
pip install pandas scikit-learn matplotlib seaborn
andas：数据处理
scikit-learn：数据集、模型与评估指标
matplotlib + seaborn：可视化
三、完整流程实现
- 导入依赖
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
# 设置中文字体，防止图表中文乱码
plt.rcParams["font.family"] = ["SimHei", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False
⚠️ 坑点 1：在 Windows 上画图如果出现中文方块乱码，务必加上上面两行字体配置，注意是 Microsoft YaHei，不要写成 Hicrosoft。
- 加载数据集
scikit-learn 内置了鸢尾花数据集，一行代码即可加载：
ris = load_iris()
X, y = iris.data, iris.target # 特征矩阵 X，标签 y
feature_names = iris.feature_names # 特征名
target_names = ["山鸢尾", "变色鸢尾", "维吉尼亚鸢尾"] # 用中文名替换默认英文标签
# 转成 DataFrame 方便查看
df = pd.DataFrame(X, columns=feature_names)
df["target"] = y
- 数据探查（EDA）
建模前先了解数据，是一个好习惯：
print("数据基本信息：")
df.info()
print("\n数据前 5 行：")
print(df.head())
print("\n各类别样本数量：")
print(df["target"].value_counts().sort_index())
运行后可以看到，数据集共 150 行、5 列（4 个特征 + 1 个标签） ，且没有缺失值，三个类别各 50 条，是一个完全平衡的数据集：
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 150 entries, 0 to 149
Data columns (total 5 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 sepal length (cm) 150 non-null float64
1 sepal width (cm) 150 non-null float64
2 petal length (cm) 150 non-null float64
3 petal width (cm) 150 non-null float64
4 target 150 non-null int64
dtypes: float64(4), int64(1)
重复值检查
duplicate_rows = df[df.duplicated()]
print(f"重复样本数：{len(duplicate_rows)}")
重复样本数：1
数据中存在 1 条重复记录。由于数量极少且本文重点是走通流程，这里仅做提示、暂不删除；实际工程中可结合业务决定是否去重。
异常值检查（IQR 法）
以"花瓣长度"为例，用四分位距（IQR）方法检测异常值：
1 = df["petal length (cm)"].quantile(0.25)
q3 = df["petal length (cm)"].quantile(0.75)
iqr = q3 - q1
lower_bound = q1 - 1.5 * iqr
upper_bound = q3 + 1.5 * iqr
outliers = df[
(df["petal length (cm)"] < lower_bound) |
(df["petal length (cm)"] > upper_bound)
]
print(f"异常值样本数：{len(outliers)}")
异常值样本数：0
花瓣长度没有 IQR 异常值，说明该特征数据质量良好。
4. 特征标准化 & 划分训练集 / 测试集
# 标准化：均值为 0，方差为 1
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# 按 8:2 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
X_scaled, y, test_size=0.2, random_state=42
)
print(f"训练集大小：{X_train.shape}，测试集大小：{X_test.shape}")
训练集大小：(120, 4)，测试集大小：(30, 4)
💡 值得思考的一点：标准化对决策树其实几乎没有影响。因为决策树是通过比较"特征值与阈值的大小关系"来分裂节点的，单调的缩放和平移不会改变这种大小关系。这里保留标准化步骤，主要是为了演示一套通用的机器学习流程（换成 KNN、SVM、逻辑回归等对尺度敏感的模型时就非常必要了）。
5. 训练决策树模型
model = DecisionTreeClassifier(max_depth=3, random_state=42)
model.fit(X_train, y_train)
这里设置 max_depth=3 限制树的最大深度，既能防止模型过拟合，也方便后续可视化和理解；random_state 固定随机种子，保证结果可复现。
6. 查看特征重要性
决策树的一大优点是可解释，训练后可以直接查看每个特征对分类的贡献：
feature_importance = pd.DataFrame({
"特征": feature_names,
"重要性": model.feature_importances_
}).sort_values("重要性", ascending=False)
print("特征重要性排序：")
print(feature_importance)
特征重要性排序：
特征 重要性
2 petal length (cm) 0.934626
3 petal width (cm) 0.065374
1 sepal width (cm) 0.000000
0 sepal length (cm) 0.000000
可以非常直观地看出：花瓣长度（petal length）贡献了约 93.5% 的区分能力，花瓣宽度次之，而花萼相关特征在深度为 3 时几乎没被用到。这也符合植物学常识——三个品种的花瓣差异远比花萼差异明显。
还可以画成柱状图：
plt.figure(figsize=(8, 5))
sns.barplot(data=feature_importance, x="重要性", y="特征", palette="viridis")
plt.title("决策树特征重要性")
plt.tight_layout()
plt.show()
- 模型预测与评估
y_pred = model.predict(X_test)
# 准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率：{accuracy:.4f}")
# 精确率 / 召回率 / F1
print("\n分类报告：")
print(classification_report(y_test, y_pred, target_names=target_names, digits=4))
模型准确率：1.0000
分类报告：
precision recall f1-score support
山鸢尾 1.0000 1.0000 1.0000 10
变色鸢尾 1.0000 1.0000 1.0000 9
维吉尼亚鸢尾 1.0000 1.0000 1.0000 11
accuracy 1.0000 30
macro avg 1.0000 1.0000 1.0000 30
weighted avg 1.0000 1.0000 1.0000 30
在 30 条测试样本上，模型取得了 100% 的准确率。
8. 混淆矩阵可视化
混淆矩阵能清楚展示每个类别被预测正确 / 错误的情况：
cm = confusion_matrix(y_test, y_pred)
plt.figure(figsize=(6, 5))
sns.heatmap(cm, annot=True, fmt="d", cmap="Blues",
xticklabels=target_names,
yticklabels=target_names)
plt.xlabel("预测类别")
plt.ylabel("真实类别")
plt.title("混淆矩阵")
plt.tight_layout()
plt.show()
[[10 0 0]
[ 0 9 0]
[ 0 0 11]]
混淆矩阵是一条完美的对角线，说明三类样本全部预测正确，没有任何误分。
⚠️ 坑点 2（最容易报错的一行） ：混淆矩阵一定要用 sns.heatmap(cm, annot=True, fmt=“d”, …) 来画。
annot=True 表示在格子里显示数值；
fmt=“d” 表示按整数格式显示（注意是 fmt 不是 fnt，漏写会导致数字以科学计数法或报错显示）；
如果误写成 plt.figure(cm, annot=True, fnt=‘d’, …) 会直接报 TypeError，因为这些是 seaborn 热力图的参数，不是 matplotlib figure 的参数。
四、（可选）可视化决策树结构
想进一步理解决策树"怎么判断的"，可以把整棵树画出来：
from sklearn.tree import plot_tree
plt.figure(figsize=(14, 8))
plot_tree(
model,
feature_names=feature_names,
class_names=target_names,
filled=True,
rounded=True,
fontsize=10
)
plt.title("决策树结构（max_depth=3）")
plt.tight_layout()
plt.show()
图中每个节点会显示判断条件（如 petal length <= 阈值）、不纯度（gini）、样本数和分类结果，可以清楚看到模型是如何一步步把三种花区分开的。
五、完整代码
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
# ---------- 全局配置 ----------
plt.rcParams["font.family"] = ["SimHei", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False
# ---------- 1. 加载数据 ----------
iris = load_iris()
X, y = iris.data, iris.target
feature_names = iris.feature_names
target_names = ["山鸢尾", "变色鸢尾", "维吉尼亚鸢尾"]
df = pd.DataFrame(X, columns=feature_names)
df["target"] = y
# ---------- 2. 数据探查 ----------
print("数据基本信息：")
df.info()
print("\n数据前 5 行：")
print(df.head())
print("\n各类别样本数：")
print(df["target"].value_counts().sort_index())
# 重复值
duplicate_rows = df[df.duplicated()]
print(f"\n重复样本数：{len(duplicate_rows)}")
# 异常值（IQR）
q1 = df["petal length (cm)"].quantile(0.25)
q3 = df["petal length (cm)"].quantile(0.75)
iqr = q3 - q1
lower_bound = q1 - 1.5 * iqr
upper_bound = q3 + 1.5 * iqr
outliers = df[(df["petal length (cm)"] < lower_bound) |
(df["petal length (cm)"] > upper_bound)]
print(f"异常值样本数：{len(outliers)}")
# ---------- 3. 标准化 + 划分数据集 ----------
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
X_train, X_test, y_train, y_test = train_test_split(
X_scaled, y, test_size=0.2, random_state=42
)
print(f"\n训练集大小：{X_train.shape}，测试集大小：{X_test.shape}")
# ---------- 4. 训练模型 ----------
model = DecisionTreeClassifier(max_depth=3, random_state=42)
model.fit(X_train, y_train)
# ---------- 5. 特征重要性 ----------
feature_importance = pd.DataFrame({
"特征": feature_names,
"重要性": model.feature_importances_
}).sort_values("重要性", ascending=False)
print("\n特征重要性排序：")
print(feature_importance)
# ---------- 6. 预测与评估 ----------
y_pred = model.predict(X_test)
print(f"\n模型准确率：{accuracy_score(y_test, y_pred):.4f}")
print("\n分类报告：")
print(classification_report(y_test, y_pred,
target_names=target_names, digits=4))
# ---------- 7. 混淆矩阵 ----------
cm = confusion_matrix(y_test, y_pred)
plt.figure(figsize=(6, 5))
sns.heatmap(cm, annot=True, fmt="d", cmap="Blues",
xticklabels=target_names, yticklabels=target_names)
plt.xlabel("预测类别")
plt.ylabel("真实类别")
plt.title("混淆矩阵")
plt.tight_layout()
plt.show()
# ---------- 8.（可选）决策树结构 ----------
plt.figure(figsize=(14, 8))
plot_tree(model, feature_names=feature_names, class_names=target_names,
filled=True, rounded=True, fontsize=10)
plt.title("决策树结构（max_depth=3）")
plt.tight_layout()
plt.show()
六、结果分析与小结
数据层面：Iris 数据集干净、平衡（150 条、三类各 50 条、无缺失值），只有 1 条重复记录，花瓣长度无 IQR 异常值。
特征层面：决策树认为花瓣长度 / 宽度是区分品种的关键特征（花瓣长度重要性约 93.5%），花萼特征几乎不起作用。
模型层面：限制深度为 3 的决策树在测试集上达到 100% 准确率，三类样本全部正确分类。
需要提醒的是，100% 的准确率并不代表模型"天下无敌"，而是因为 Iris 数据集本身类别可分性极高、且数据量很小。在更复杂的真实数据上，通常还需要配合交叉验证、网格搜索调参、以及学习曲线等手段来评估模型的泛化能力。
初学者可继续尝试的方向
用 export_text(model) 或 plot_tree 输出决策规则，加深对树模型的理解；
调整 max_depth、criterion（gini / entropy）等超参数，观察准确率变化；
改用 KNN、SVM、逻辑回归、随机森林等模型做横向对比；
使用 cross_val_score 做 5 折交叉验证，让评估结果更稳健。
更多推荐
0
0- 0
已为社区贡献1条内容
所有评论(0)