Iris-kukkien lajien luokittelu

🌸 Iiriksen tyypin luokittelu

Ongelman kuvaus

Tavoitteena on rakentaa luokittelumalli, joka määrittää kukan lajin sen ominaisuuksien perusteella.

Jokaista näytettä kuvaa 4 numeerista attribuuttia: verhiön ja terälehden pituus ja leveys, ja etiketti (species) ilmaisee kukan lajin:

• setosa
• versicolor
• virginica

Tämäntyyppinen ongelma kuuluu moniluokkaisen luokittelun (multi-class classification) kategoriaan.

Aineisto on johdettu klassisesta Iris-kokoelmasta (UCI ML Repository).

🔹 Ominaisuudet (features)

• sepal_length
• sepal_width
• petal_length
• petal_width

📘 Syötetiedostojen rakenne

train.csv

Sisältää kaikki 4 features-saraketta plus sarakkeen:

• target – edustaa kukan lajia (0=setosa, 1=versicolor, 2=virginica)

Esimerkki:

1     sepal_length_(cm)  sepal_width_(cm)  petal_length_(cm)  petal_width_(cm)  target  SampleID28                  4.4               2.9                1.4               0.2       0         93106                4.9               2.5                4.5               1.7       2       107476                 6.8               2.8                4.8               1.4       1        7759                  4.9               3.1                1.5               0.1       0        10689                 5.5               2.5                4.0               1.3       1        90

test.csv

Sisältää samat sarakkeet ilman target-saraketta, mutta sisältää SampleID:n.

Esimerkki:

1     sepal_length_(cm)  sepal_width_(cm)  petal_length_(cm)  petal_width_(cm)  SampleID238                 4.4               3.0                1.3               0.2        393127                6.1               3.0                4.9               1.8       128457                 4.9               2.4                3.3               1.0        58593                 5.0               2.3                3.3               1.0        94642                 4.4               3.2                1.3               0.2        43

📤 Palautus

Tulostetiedoston (submission.csv) tulee sisältää täsmälleen kaksi saraketta:

• SampleID
• label – ennustettu laji (0, 1 tai 2)

Esimerkki:

⚙️ Arviointi

Mallien arviointi tehdään käyttäen seuraavaa metriikkaa:

• Macro F1-score

Tämä metriikka sopii moniluokkaiseen luokitteluun, koska se antaa yhtäläisen painon jokaiselle luokalle, riippumatta kunkin luokan esimerkkien määrästä.

Yleinen kaava:

missä C on luokkien määrä ja F1_i on F1-pistemäärä luokalle i.

Lopullinen pistemäärä ilmaistaan prosentteina (0–100), pyöristettynä kahteen desimaaliin.

📊 Lähde

Aineisto on peräisin alkuperäisestä kokoelmasta:
UCI Machine Learning Repository – Iris Data Set