用 Python 和 sklearn 跑通第一个机器学习分类

机器学习听起来很玄，但"分类"这件事的本质特别朴素：给你一堆已经标好类别的样本，让模型学会规律，再拿去判断新样本属于哪一类。本文用最经典的鸢尾花（Iris）数据集，带你在本地把整个流程跑通，不玩虚的。

做分类之前先想清楚一件事：你手上的数据是不是"带标签"的？像鸢尾花数据集，每一行都标了它是 setosa、versicolor 还是 virginica，这种叫监督学习；如果数据没标签，那就得用聚类，不是本文的范围。监督分类的核心就一句话——用历史数据拟合一个映射函数：特征 → 类别。

一、环境准备

别一上来就 pip install tensorflow，那属于杀鸡用牛刀。入门分类用 scikit-learn 就够了，它把绝大多数经典算法都封装好了，API 统一、文档友好。

# 建议先建个虚拟环境，避免把依赖装得到处都是
python -m venv venv
source venv/bin/activate      # Windows 用 venv\Scripts\activate

pip install scikit-learn pandas numpy

装完顺手验证一下版本，避免某些老教程在你的新环境里跑不通：

import sklearn, pandas, numpy
print(sklearn.__version__, pandas.__version__, numpy.__version__)

只要不报错、能打印出版本号，环境就齐了。

二、数据到底长什么样

鸢尾花数据集一共 150 条样本，每条有 4 个数值特征，对应 3 个类别。它的字段含义如下：

值得注意的一点：这 4 个特征量纲一致（都是 cm），所以可以暂时不标准化；但如果你换了自己的业务数据，不同列单位差很多（比如"年龄"和"收入"），一定要先做标准化或归一化，否则数值大的特征会直接盖过小的，模型学偏。

三、完整可跑代码

下面这段代码是我建议你直接抄去跑的版本，从加载到评估一气呵成：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

# 1. 加载数据
X, y = load_iris(return_X_y=True)

# 2. 划分训练集 / 测试集，固定 random_state 保证结果可复现
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y
)

# 3. 特征标准化（虽然本例量纲一致，但养成习惯没坏处）
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)   # 注意：测试集只用训练集的均值和方差

# 4. 训练模型
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)

# 5. 预测 + 评估
y_pred = model.predict(X_test)
print("准确率：", accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred))
print("混淆矩阵：\n", confusion_matrix(y_test, y_pred))

跑出来准确率通常在 0.95 以上。第一次看到这个数字别太兴奋——鸢尾花是"玩具数据集"，真实业务数据远没这么友好，但这个流程是通用的。

四、换个模型对比看看

scikit-learn 的好处就是换模型几乎只改一行。下面把四种常见分类器拉出来对比，你一眼就能看出差异：

实际操作中我一般先用逻辑回归当基线，因为它最快、结果也最容易解释；如果基线不够好，再上随机森林或梯度提升这类更强的模型。别一上来就堆复杂模型，基线都还没跑通就调参，纯属浪费时间。

五、评估指标别只看准确率

准确率（accuracy）很直观，但它会骗人。比如 100 个样本里 95 个都是类别 A，模型全猜 A 也能拿 95 分，实际啥也没学会。所以至少要补两个指标：

• 精确率 (precision)：预测为正的样本里，真正为正的比例——关心"预测准不准"。
• 召回率 (recall)：真实为正的样本里，被预测出来的比例——关心"漏没漏"。
• F1 值：精确率和召回率的调和平均，不平衡数据下的综合分。

还有混淆矩阵，它能告诉你模型具体把哪两类搞混了。分类问题看指标，脑子里一定要同时装着"准确率 + 混淆矩阵"，否则容易被一个好看的数字误导。

六、新手最容易踩的坑

1. 不划分测试集，直接拿全部数据评估：这等于考试前先看答案，分数再高也没意义。
2. 测试集做了标准化但用了自己的均值：标准化必须只用训练集的统计量，否则就是"数据泄露"。
3. random_state 不设：每次跑结果都不一样，排查问题时会怀疑人生，先固定再说。
4. 一上来就上深度学习：鸢尾花这种小数据，深度学习不仅没必要，还容易过拟合。

小结

这篇从环境、数据、代码、模型对比到评估指标，把机器学习分类的标准闭环走了一遍。记住最关键的三点：一定要切分训练/测试集、换模型在 sklearn 里只是换个类、评估不能只盯准确率。把这套流程跑熟，后面换成你自己的业务数据，套路是完全一样的，只不过特征工程和模型调参会花更多心思。