終於進入機器學習的實作階段啦，今天要來用鳶尾花資料集介紹一下羅吉斯回歸的作法。

如果覺得很難懂或很無聊再留言跟我說一下耶，寫程式要寫得好玩真的有點難＠＠

今天的學習目錄

完整的程式我放在GitHub裡面，可以自己拿來練習

1. 載入鳶尾花資料集
2. 將資料轉換成DataFrame並抓出我們要的欄位
3. 將資料切割成訓練集、測試集
4. 機器學習三步驟：初始模型、機器學習、模型預測
5. 使用羅吉斯回歸做機器學習
   （明天會講如何評估預測結果的好壞）

載入鳶尾花資料集

在前一天的文章中我們有提到鳶尾花這個常用在學習的資料集，今天的機器學習將會使用這個來做示範。

# 導入所需的函式庫
from sklearn.datasets import load_iris

# 導入鳶尾花資料集
iris = load_iris()

在使用資料前，我們要先了解一下他

# 先瞭解資料中有那些索引鍵（不是欄位哦）
iris.keys()

可以從圖片裡看到，裡面有'data'（原始資料）, 'target'（預測目標）, 'frame', 'target_names'（預測目標的名稱）, 'DESCR'（描述文字）, 'feature_names'（特徵的名稱）, 'filename'（檔案名稱）, 'data_module'（所在模組）這些索引，我們可以用索引調出裡面的資料。

比如，我們可以用DESCR（描述文字）中看出資料的來源、特徵值、預測目標、數量、有無空值等資訊，甚至還有基本統計（最大值、最小值）

print(iris['DESCR'])

因為沒有遺漏值，資料欄位也沒有問題，不需要再去做清理，所以之後在其他資料上有用到我們再來談（我好懶）。

其他的索引只要照上面的程式碼，把'DESCR'換成其他的索引就可以了，可以自己去玩玩看裡面有什麼。

將資料轉換成DataFrame並抓出我們要的欄位

# 導入函式庫
import pandas as pd

# 將iris資料集的原始資料轉換成dataframe，並設定欄位名稱為其特徵名稱。
df = pd.DataFrame(iris['data'], columns=iris['feature_names'])

# 加入預測的目標(其中的0、1、2分別代表了花的三個不同屬種)
df['target'] = iris['target']

# 印出開頭的前五行，看看前面有沒有什麼設定錯誤
df.head()

選擇我們要的欄位

這是很重要的步驟，由我們決定要拿那些資料，去預測哪些目標。

在這邊，我們以X作為特徵資料（自變數），用來預測Y（應變數），關於變數的涵意可以看五大研究變數介紹－應變數、自變數 ＆ 控制、干擾、中介變數這篇文章。

Y應該很明顯是'target'，也就是花的種類。那X要怎麼選？

通常，我們會看他跟Y的相關係數，也就是X跟Y的關係，數值在-1~1之間，越高，表示我們越能從X中看出Y。

打個比方，假設Y是性別：

• 如果X是性器官這類的第一性徵，相關係數就會很高（但不會是1）。
• 如果X是鬍子、喉結這類的第二性徵，相關係數就會比較前面的低一些。
• 如果X是性取向，那相關係數又會再低一點，畢竟生理性別不一定能夠決定每個人的性取向。

那我們要怎麼看出資料間的相關係數呢？雖然從前面的'DESCR'就可以看到了，但這邊我們還是操作一次。

# 看DataFrame中各項特徵與targer欄位(花屬種)的相關係數，round(2)代表取到小數點後兩位
df.corr().round(2)['target']

可以看到，最相關的是petal width，而sepal width最不相關。因此這次我們將他踢除掉，只用另外三個加入模型。

抓出我們要的欄位

# 將特徵(x)、目標(y)各自需要的欄位抓出來
x_col = df[['sepal length (cm)', 'petal length (cm)', 'petal width (cm)']]
y_col = df['target']

將資料切割成訓練集、測試集

# 載入要切割資料的函式庫
from sklearn.model_selection import train_test_split

# 將資料切割成訓練集、測試集
X_train, X_test, Y_train, Y_test = train_test_split(x_col, y_col, test_size=0.33, random_state=42) 

這個函式庫的運作過程是這樣：給他四個變數存放切割後的資料集（所以變數的名稱不一定要跟我取一樣，）有四個就好；告訴他你要切的x、y；測試集要切的大小（這邊是設定拿0.33，大概三分之一），最後加入一個隨機種子。

這邊比較難理解的應該是隨機種子這個概念，當初我在學的時候也很疑惑，這個到底是幹嘛用的？而且為什麼大家都用42？

隨機種子

設定一個隨機數（切法），讓每次切出來的資料都一樣。

因為程式在切割的時候，資料是隨機切的，每次出來的數字都不一樣。但如果像現在這樣在教學的時候，每個人資料如果切出來都不同，那學生就沒辦法確定自己到底是不是做對了。

所以設定隨機種子就是設定一個「固定的切法」，讓出來的資料都一樣。

至於為什麼都要用42？

據random_state = 42這篇網路文章所說……

42，是道格拉斯·亞當斯所作的小說《銀河系漫遊指南》中「生命、宇宙以及任何事情的終極答案」的答案，由於該作品的廣泛流傳，而成為在其他行業藉此對該作品的致敬。

只能說，這是一種致敬和另一種浪漫吧XD。

機器學習三步驟

1. 初始模型
先從相關的函式庫中，將模型放到自己命名的變數中，之後訓練的結果都會儲存到這個變數裡面。

2. 機器學習
「只拿訓練集」做訓練，這個過程是先讓他看訓練集的資料，裡面有各種特徵，也有標籤(Y)，他經過自己觀察，發現X跟Y之間的關聯。

訓練機器學習的函數式：

初始模型的變數.fit(X的訓練集, Y的訓練集)

3. 模型預測
訓練好模型後，用「測試集」去做預測，因為經過前面的訓練，他已經知道大概那些X會對應到哪個Y，這樣他就可以去預測沒看過的資料中，如果一個物體擁有那些X，可能就是那個Y。

下面是羅吉斯回歸的一個線性組合：

可能有人看到之後就頭暈了，怎麼我還要學數學？！

別急別急，我來說明一下。其中X1、X2等等的是其中的「特徵值」，BO、B1等則是每個特徵的「權重」。羅吉斯回歸會根據這些權重，輸出新的物體可能是哪個Y的概率。

這樣可能有點抽象，實際一點就是，前面訓練集中，在預測的時候，這個人（新的物體）的頭髮長度是70公分，一個禮拜吃甜食的日期是3天，聲音是高的，回歸跑出來後，可能就會顯示這個人是女生。

（原本的假設有點問題，這裡有重新改過了。）

預測模型的函數式：

# 因為是要用X去預測Y，所以只要給他X（題目）就好，不用給他Y（答案）。

要放結果的變數 = 初始模型的變數.predict(X測試集)

使用羅吉斯回歸做機器學習

初始模型

# 導入要做羅吉斯回歸的函式庫
from sklearn.linear_model import LogisticRegression

# 初始模型：將匯入的羅吉斯回歸模型放進自己設定的變數中
mod = LogisticRegression()

機器學習

拿資料給他訓練，X是每朵鳶尾花的特徵（長寬等等），Y是鳶尾花的種類。這個訓練是讓他知道當這朵花長寬多少的時候，大概會是哪種鳶尾花。

# 訓練模型
mod.fit(X_train, Y_train)

模型預測

給他測試集的X，讓他預測Y。

# 給他X讓他預測Y
pred = mod.predict(X_text)

結語

評估預測結果我想放在明天講，因為還要講一些召回率、正確率、混亂矩陣等等巴拉巴拉的東西，再寫下去會讓人想睡覺。

今天先吸收這些吧！

上面有一些程式邏輯是參考徐聖訓老師的《一行指令學Python：用機器學習掌握人工智慧》，想要系統性學習的人，也可以去看看這本書哦。