经典鸢尾花数据集上的神经网络与传统机器学习对比实践

【导读】本项目是由Mattex125在GitHub发布的IrisClassifier项目（链接：https://github.com/Mattex125/IrisClassifier，发布时间2026年6月5日），核心目标是对比随机森林（传统机器学习算法）与基于PyTorch的神经网络在经典鸢尾花数据集多分类任务上的表现，展示数据预处理、模型训练与评估的完整流程，具有较强的机器学习教学价值。

鸢尾花数据集由英国统计学家Ronald Fisher于1936年首次使用，数据由Edgar Anderson收集，包含3种鸢尾花（山鸢尾、变色鸢尾、维吉尼亚鸢尾）各50个样本，测量了花萼长度、宽度及花瓣长度、宽度4个特征。该数据集因特征维度适中、类别平衡、数据质量高且分类边界清晰，成为机器学习初学者的理想入门数据集。

数据预处理关键细节：1. 分层抽样：划分训练集与测试集时使用stratify=y参数，确保训练集和测试集中三类样本比例与原始数据一致，避免类别分布失衡影响泛化评估；2. 数据标准化与防泄露：仅在训练集上计算均值和标准差（fit_transform），用训练集参数转换测试集（transform），防止测试集信息泄露导致性能估计偏乐观。

基于scikit-learn实现随机森林分类器，即使仅用1棵决策树，测试集准确率仍达94.74%。分类报告显示：类别0（山鸢尾）精确率和召回率均为1.00；类别1（变色鸢尾）精确率0.86、召回率1.00；类别2（维吉尼亚鸢尾）精确率1.00、召回率0.85。混淆矩阵揭示模型主要混淆类别1和2，符合数据集特征空间重叠的已知情况。

使用PyTorch实现前馈神经网络，典型架构包括：输入层4神经元（对应4个特征）、隐藏层（ReLU激活引入非线性）、输出层3神经元（对应3类别，Softmax激活）；损失函数采用交叉熵损失，优化器常用Adam或SGD，体现神经网络分类问题的标准范式。

实践启示：1. 模型复杂度需与问题匹配：鸢尾花数据集上简单随机森林性能接近完美，复杂神经网络边际收益递减，实际应用应从简单模型开始；2. 数据预处理重要性不亚于模型选择：分层抽样和防泄露细节决定部署表现；3. 对比实验助于理解算法：通过比较性能、训练速度等形成技术直觉。

本项目涵盖机器学习完整生命周期（数据探索、预处理、模型训练评估对比），是初学者巩固基础的极佳参考。延伸思考：实际业务中选择算法时，除准确率外，推理速度、可解释性、部署成本等指标也需考量，如何平衡这些因素？