机器学习实战-----八大分类器识别树叶带源码

　今天我想送给大家两句话：1：在这个浮躁的社会中，每个人都想找到捷径，那么我想认真踏实地做好一件事也便是最大的捷径了。2：不要管别人做什么，有自己的目标，可能你现在的环境牛人多多，让你压力巨大，也可能你身处的环境废物多多，让你感慨你本可以让自己更加强大。不要管这些，只要相信自己选择的，走下去。

　　以上献给迷茫的人们，同时也自勉。不多说，进入八大分类器。

　　引言：树叶有好多种，如下图：

　　目标：写一个系统，让系统区分各种树叶属于哪个品种。

我的思路如下图：

　　特征提取：也就是我们前几张说的x i ，抽取能代表这个物体的特征。比如让你去识别另外一个人，一般从脸型，肤色，身高，体重…..这些特征去标记，现在计算机识别树叶可能就从叶子啊，形状啊，宽度啊，有无锯齿啊，这些去识别。这个详细我们暂时不说，下次再说。

　　训练分类器：就是找到一个有某些特征的样本，我们只需要对新来的特征和前面出现类似的特征进行比对，那么找出最可能的类别，我们就说这个新的样本是属于这个类别的。

　　测试数据：当这个模型找出来了，我们是不是得测试一下这个人可不可信对吧，就好像我们生活中的，有的人酷爱吹牛逼，那么我们对他说的话，是不是就抱着怀疑的态度?而有的人几乎很少说谎话，那么他说的话是不是可信度就大，这个测试数据就是这个道理，测试效果越好，那么这个模型分类器可能效果就越好。

　　下面是代码讲解部分，为了方便我先以截图的形式，呈上代码，最后用百度云上传我的数据集和源代码，希望大家学得愉快。

　　一 代码讲解

　　这一段代码没什么好说的，就是导入matplotlib,pandas,sklearn的这些包.python这个语言最强大的地方就是可以直接引用别的语言写的代码包，其实python作为一门脚本语言它本身的执行速度是很慢的，但是它就像胶水一样把其他语言实现的功能粘合起来，那么就很厉害了，类似于刘邦，驭人于千里之外。所以它又叫胶水语言。

　　这一段代码是读取train.csv和test.csv数据。然后把train.csv中的species项作为标签项，除了id项，其他项作为特征项。y_test作为数据的原始标签,留着和以后的预测值作比较。

　　这一段代码就是把k近邻，svc，随机森林这些分类器的名称写在classifiers这个列表里，等着我们之后调用它。Svc我们这里用的是rbf核，也就是高斯核。

　　这里for 循环就是调用列表里的分类器，然后fit()，也就是训练一下，输入的参数是特征集和标签集，44行，分别用刚刚训练出来的参数，对x_text进行预测，得到预测值。接着再用预测值与原本的样本标签就行比较，求出正确率和损失值。

　　这一段就是画出结果图没什么好说的。

　　二 结果分析

　　可以看出随机森林和gridentboosting表现最好，这个gridentboosting用梯度下降算法保证最后的结果最好，这个算法就是三个臭皮匠赛过一个诸葛亮。。。。但是Adaboost算法瞬间打我脸有木有，这个的结果差的离谱，我现在还没有想出来是为什么原因。。。。。。等我下次继续做实验验证吧。。

　　给大家看看ACC和loss图吧，这些都是说明这个模型的靠谱程度，不是那种吹牛逼模式。