Day 20｜Iris 鳶尾花分類：一般、量子與混合模型的比較｜ Iris Classification: Classical vs. Quantum vs. Hybrid

2026 iThome 鐵人賽

DAY 20

AI Engineering

從 AI Engineering 到 Quantum Machine Learning：30 天打造 QML 實驗與加速開發流程系列第 20 篇

Day 20｜Iris 鳶尾花分類：一般、量子與混合模型的比較｜ Iris Classification: Classical vs. Quantum vs. Hybrid

18th鐵人賽

kancheng

團隊Ad Astra

2026-10-03 05:16:29

74 瀏覽

分享至

Day 18、19 在合成資料上比較模型、串接混合網路。今天第一次把同一套流程放到真實公開資料：UCI Iris。

想像三種不同引擎的車，改在同一條真實道路上試駕。路況、測速規則、油量預算都要先寫死；否則「誰比較快」說不清楚。本日只做 versicolor／virginica 二分類，四個原始特徵先經訓練集標準化與 PCA 壓成兩維，再送進 MLP、VQC 與 Hybrid。這不是完整三分類排行榜。

程式：iris_models.py、experiment.py、demo.py、plot_results.py。訓練全在 NumPy CPU；選定權重後再用 CUDA-Q CPU／GPU 核對含量子層的輸出。

Day20 compares MLP, VQC, and a hybrid model on UCI Iris versicolor/virginica after train-only standardization and PCA to two dimensions. Shared Brier loss and coordinate-search budgets select models by validation; CUDA-Q verifies saved quantum-layer outputs. Results are a restricted binary report, not a three-class ranking or quantum-advantage claim.

1. 從真實資料開始

Iris 有 150 筆、四個數值特徵、三類各 50 筆。[D17] 本日保留 versicolor=0、virginica=1，排除 setosa，以沿用已驗證的二分類介面。

原始檔在 data/day20，含 UCI 來源、CC BY 4.0 與下載日期；程式記錄 SHA-256，可離線重跑。二分類子集 100 筆中有一筆特徵＋標籤完全重複；切分前保留第一筆、移除列號 142，剩 99 筆。欄位順序固定：花萼長寬、花瓣長寬（cm）。

2. 兩組分層切分

分層切分讓各組類別比例接近原資料。種子 2028／2029；每類打亂後約 60%／20%／20%：

分組	總數	versicolor	virginica
訓練	59	30	29
驗證	19	10	9
測試	21	10	11

兩切分的測試點可能重疊，不是獨立統計樣本。

3. 四維 → 二維：規則只看訓練集

四個原始特徵 → 標準化 → 兩維 PCA → 依訓練範圍縮放 → 截斷到 [-1,1]

標準化：減訓練平均、除以訓練母體標準差。PCA：找變動大的方向，只留前兩個；解釋變異比例描述保留多少變動，不是分類準確率。主成分符號固定為「最大絕對值係數為正」。驗證／測試只套用保存規則。[D14]

所有模型都只看到這份二維表示；一般 MLP 沒有額外拿到四維原特徵。因此本日不代表經典模型在完整四維上的最佳表現。

Split 2028 訓練 PCA 解釋變異約 0.77＋0.12＝0.89；2029 約 0.88。

4. 三模型、共同預算

模型	架構	參數
MLP	Day 16：2→tanh(2)→sigmoid(1)	9
VQC	Day 14：positive_half、兩位元、一層模板、`p1=(1−ZZ)/2`	4
Hybrid	Day 19：仿射＋tanh 編碼 → PQC → 仿射＋sigmoid	12

每模型每切分種子 42／43 → 12 次訓練。Day 18 座標搜尋、步長 0.4、每次 73 次目標函數、共同 Brier；Hybrid 輸出倍率起始 0.8。依最終驗證 Brier 選種子；測試不參與。全部候選保留。

相同目標函數次數 ≠ 相同計算量。本日不用 Day 19 梯度下降或參數位移，避免把不同訓練成本混稱同一預算。

5. 訓練引擎 ≠ CUDA-Q 驗證

搜尋全在 NumPy CPU（VQC／Hybrid 用既有狀態向量參考）。training_summary.json 記錄 cudaq_training_calls=0。這不是 CUDA-Q 訓練，也不是 GPU 訓練加速。

選定後 verify 才切 CUDA-Q：每後端 2 切分 × 99 筆 × 2 個含量子模型＝396 次 observe；MLP 仍在 CPU。訓練秒數與驗證秒數（可能含 JIT／快取）不可相除當加速比。

6. 成績怎麼讀

常數基準用訓練類別比例 p1=29/59（不是 Day 18 的 0.5）。參考測試成績（列＝真實、欄＝預測）：

Split	Model	Accuracy	Brier
2028	mlp / hybrid	90.48%	≈0.071／0.077
2028	vqc	85.71%	≈0.105
2029	mlp／vqc	85.71%	≈0.089／0.103
2029	hybrid	90.48%	≈0.082

Iris comparison

兩個切分、各兩個初始化只是有限穩定性觀察，不是完整交叉驗證或信賴區間。單次較好不能外推為模型家族優勢。細節見結果紀錄。

7. 重跑與單筆推論

source .venv/bin/activate
OMP_NUM_THREADS=1 python articles/day20/experiment.py train
OMP_NUM_THREADS=1 python articles/day20/experiment.py verify
OMP_NUM_THREADS=1 python articles/day20/experiment.py verify --backend nvidia
OMP_NUM_THREADS=1 python articles/day20/plot_results.py
OMP_NUM_THREADS=1 python articles/day20/demo.py --features 6.0 2.9 4.5 1.5

示範輸入四個 cm；可加 --split-seed 2029、--backend nvidia。結果在 results/day20/；重訓後應重跑兩個 verify 與繪圖。

OMP_NUM_THREADS=1 python -m unittest discover -s articles/day20 -p 'test_*.py' -v
OMP_NUM_THREADS=1 DAY20_TARGET=nvidia python -m unittest discover -s articles/day20 -p 'test_*.py' -v

測試檢查來源／去重／切分、train-only PCA、CUDA-Q／NumPy 對齊；不以測試準確率當通過門檻。

本日範圍：受限二分類、兩維表示、小預算、精確模擬器。沒有完整三分類、含噪訓練、QPU、GPU 訓練或量子優勢結論。

8. 來源與下一篇

[D17] UCI Iris，DOI 10.24432/C56C76
[D14] scikit-learn Common pitfalls

資料政策見 data/day20/README.md；索引見 REFERENCES.md。

下一篇 Day 21 比較 PCA、特徵選擇與可訓練壓縮層。

延伸研究

[N7] Jan Schnabel and Marco Roth. “Quantum kernel methods under scrutiny: a benchmarking study.” Quantum Machine Intelligence 7, 58 (2025)；研究論文。原始來源；完整書目。

本章比較 Iris 上的電路分類器；該基準研究可對照共同評估規則與多資料集設計。核方法結果不能直接替代本章電路模型的實測。