UCI数据集上的机器学习分类算法实战

# SWJTU_DataMiningCourseDesign 环境介绍：`Python3.6.3` 涉及的库：`pandas=1.1.5, sklearn=0.24.2, numpy=1.19.2` # 一.数据集介绍 本文中使用的数据集breast cancer, iris和wine都是来自于UCI，下面是对这三个数据集的详细介绍： ### 1.1 Breast Cancr数据集 威斯康星乳腺癌数据集一共包含569个恶性或者良性肿瘤细胞样本，分为两类，总共包含6个属性，该数据集的部分数据展示如下：  其中各个属性的描述具体见下表： | 属性 | 属性描述 | | ------- | --------------------------------------------- | | C_D | Sample code number，样本代码编号 | | C_T | Clump Thickness，肿块厚度 | | U_C_Si | Uniformity of Cell Size，细胞大小的均匀性 | | U_C_Sh | Uniformity of Cell Shape，细胞形状的均匀性 | | M_A | Marginal Adhesion，边缘粘 | | S_E_C_S | Single Epithelial Cell Size，单个上皮细胞大小 | | B_N | Bare Nuclei，裸核 | | B_C | Bland Chromatin，乏味染色体 | | N_N | Normal Nucleoli，正常核 | | M | Mitoses，有丝分裂 | | Class | 类别(2代表良性，4代表恶性) | ### 1.2 Iris数据集 鸢尾花卉数据集一共包含150个样本，分为三类(Setosa，Versicolour，Virginica)，每类50个数据，该数据集的部分数据展示如下：  其中各个属性的描述具体见下表： | 属性 | 属性描述 | | ------------ | ---------------------------------------------------- | | sepal.length | 花萼长度 | | sepal.width | 花萼宽度 | | petal.length | 花瓣长度 | | petal.width | 花瓣宽度 | | variety | 花类型(0表示Setosa, 1表示Versicolour 2表示Virginica) | ### 1.3 Wine数据集 葡萄酒数据集包含178个样本，也分为三类(1, 2, 3)，其中第一类包含59个样本，第二类包含71个样本，第三类包含48个样本，在该数据集中包含了三种酒13种不同成分的数量，下面是该数据集的部分数据：  其中各属性的描述如下： | 属性 | 属性描述 | | ------------------- | ----------------------- | | Wine | 类别 | | Alcohol | 酒精 | | Malic.acid | 苹果酸 | | Ash | 灰 | | Acl | 灰分的碱度 | | Mg | 镁 | | Phenols | 总酚 | | Flavanoids | 黄酮类化合物 | | Noflavanoid.phenols | 非黄烷类酚类 | | Proanth | 原花色素 | | Color.int | 颜色强度 | | Hue | 色调 | | OD | 稀释葡萄酒的OD280/OD315 | | Proline | 脯氨酸 | ## 1.4 数据集标准化 在读取数据集后还对每个数据集的特征值进行了Z-score标准化，其数学公式为： $$ x' = \frac{x-\mu}{\sigma} $$ 其中$\mu$和$\sigma$分别为**总体平均值**和**总体标准差**。 # 二.算法介绍 本文包含的分类算法为KNN、朴素贝叶斯以及CART决策树，分别对应文件`knn.py`、`naiveBayes.py`和`DTree.py`，直接运行即可。