蘑菇分类实战：从特征工程到随机森林的机器学习完整流程-平芜编程栈

简介：这是一份基于机器学习的蘑菇分类实战项目资料包，定位清晰，主要面向计算机相关专业的学生、毕业设计者及机器学习入门开发者，可广泛用于课程设计、课程大作业或项目立项演示。项目依托mushrooms.csv数据集，通过Python主程序与Jupyter Notebook完成从数据读取、预处理到模型训练与评估的完整流程，有助于掌握分类问题的解决思路和工程实现细节。

压缩包内共5个文件，涵盖.py源代码、.ipynb分析文档、.csv数据集、.md项目说明和.pptx演示文稿，整体仅1.79MB，轻量易用。Notebook和说明文档能辅助理解每一步代码逻辑，PPT则方便答辩或汇报时快速展示成果。

目前已有83人学习下载，且代码上传前经过运行验证。对于想要快速搭建分类项目、补齐实践经验的读者，这份资源提供了可复用的源码、数据集和说明材料，学习借鉴价值较高。

1. 蘑菇分类项目：跑通一个机器学习分类器的完整链路

8100 多条样本、22 个类别型特征、一个二分类标签，这是机器学习入门里最经典的蘑菇分类任务。它的价值在于数据干净、特征全是离散取值，不需要清洗和归一化，可以把精力集中在编码、切分、训练、调参这条完整链路上。很多人拿到数据后直接丢进随机森林，精度确实高，但问起为什么高、模型依赖哪些特征，却说不出所以然。下面把链路按项目可实现的方式拆开，从环境搭建、特征编码开始，到决策树与随机森林的对照实验，再到交叉验证和模型导出，每一步都有能直接复制的代码和参数说明，适合作为机器学习分类器从零到一的动手项目。

2. 数据准备与特征工程：编码方式决定模型上限

2.1 python 环境配置与本项目的依赖安装

动手写代码的第一步是配置一个干净的 python 环境。这个项目的依赖不多，核心是 pandas、scikit-learn、numpy，画特征重要性图时会用到 matplotlib。常见做法是用 conda 创建独立环境，避免和系统自带的 Python 版本之间出现包冲突：

conda create -n mushroom python=3.10 -y conda activate mushroom pip install pandas scikit-learn matplotlib ucimlrepo

python=3.10 指定环境使用 3.10 版本解释器；scikit-learn 从 1.2 开始对 pandas 的 DataFrame 输入支持完整，配合 ucimlrepo 可以直接从 UCI 仓库拉数据。如果网络环境无法访问 UCI 接口，手动下载 mushroom.csv 后改用 pandas.read_csv 读取，效果一样。这里的一个原则是先用 conda 隔离环境，再把依赖记录到 requirements.txt，项目说明里也建议保留这套安装命令，方便后来的人一键复现。

2.2 用 ucimlrepo 接口读取蘑菇数据集

UCI 仓库中蘑菇数据集的编号是 73，ucimlrepo 的 fetch_ucirepo 接口可以按这个 ID 直接拉取数据。

from ucimlrepo import fetch_ucirepo mushroom = fetch_ucirepo(id=73) X = mushroom.data.features y = mushroom.data.targets print(X.shape) # (8124, 22) print(y.shape) # (8124, 1) print(X.dtypes.value_counts())

这段代码把数据拆成了特征矩阵 X 和标签向量 y。X 是 8124 行、22 列，对应 8124 条蘑菇样本和 22 个特征；y 是 8124 行、1 列，内容是 'e'（可食用）和 'p'（有毒）。dtypes 检查会看到所有列都是 object 类型，提醒我们后续必须做类别编码。

如果想完全离线操作，也可以把 CSV 放在项目根目录，用 pandas 手动指定列名。注意 UCI 原始文件没有表头，必须把 23 个列名按顺序写进 names 参数，否则后面所有特征名变成数字，特征重要性图就没法读了：

import pandas as pd df = pd.read_csv( 'mushroom.csv', header=None, names=['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor', 'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color', 'stalk-shape', 'stalk-root', 'stalk-surface-above-ring', 'stalk-surface-below-ring', 'stalk-color-above-ring', 'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number', 'ring-type', 'spore-print-color', 'population', 'habitat'] ) print(df.head())

header=None 告诉 pandas 数据本身没有表头列名，names 参数提供完整列名，两者的顺序必须和文件内字段顺序一致。这个位置常被忽略，但列名质量会直接影响后面特征重要性分析的可读性。

2.3 标签编码与 One-Hot 特征展开

大部分 sklearn 分类器只接受数值输入，所以要把类别字符串转成数值。转换策略要看特征是否有顺序关系：蘑菇特征中的 cap-color、odor 这类无天然大小的取值，用 One-Hot 编码；标签列只有两类，直接用 LabelEncoder 映射成 0/1。

from sklearn.preprocessing import LabelEncoder le = LabelEncoder() y_encoded = le.fit_transform(y.values.ravel()) print(le.classes_) # ['e' 'p'] X_encoded = pd.get_dummies(X) print(X_encoded.shape) # (8124, 117)

LabelEncoder 将 'e'、'p' 映射为 0 和 1，classes_ 保存映射顺序，推理阶段需要靠它把预测结果还原成可读标签。pd.get_dummies 把 22 个类别特征展开为 117 个 0/1 列，这是 One-Hot 的空间代价。

这里有一个高频出现的坑：训练集和测试集必须复用同一套列名。如果切分之后分别对两边调用 get_dummies，测试集中出现训练集没有见过的取值时，两边列数就会不一致，predict 阶段直接报特征数量不匹配。常见做法是先整体编码再做切分，或者在测试集上用 X_test.reindex(columns=X_train.columns, fill_value=0) 对齐列。

编码方式	适用位置	输出维度特征	主要注意点
LabelEncoder	标签列	1	不要用在无序特征上
OneHotEncoder	类别特征	每个取值一列	列数随取值数膨胀
OrdinalEncoder	有顺序的特征	1	强行编码无序特征会引入错误大小关系

这张表在项目说明里也值得保留，它可以直观解释为什么蘑菇数据适合 One-Hot 而不是直接把类别映射成连续数字。

2.4 训练集与测试集的划分：stratify 的作用

分类任务默认使用分层抽样切分，让训练集和测试集中的类别比例接近原始分布。这样做的目的是避免随机切分带来的样本偏差，特别是在数据量不大的分类项目中，比例失衡会让测试精度失去参考意义。

from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split( X_encoded, y_encoded, test_size=0.2, random_state=42, stratify=y_encoded ) print(X_train.shape, X_test.shape) # (6499, 117) (1625, 117)

test_size=0.2 表示留出 20% 数据做测试；random_state=42 固定随机数种子，保证每次运行得到相同切分；stratify=y_encoded 是按标签比例分层抽样的关键参数。前两个参数很多人都会写，stratify 经常被漏掉。在本数据集上类别比例接近五五开，漏掉影响不大，但当标签分布偏向 9:1 时，分层抽样能直接决定模型评估是否可信。

3. 模型构建与对照实验：决策树、随机森林、逻辑回归有哪些差距

3.1 先跑一个决策树基线，确认数据上限

模型对比的常规做法是先设一个基线模型。决策树是这类类别型数据最自然的选择：它的分裂机制天然适配 One-Hot 特征，不需要特征缩放，输出的是可读的 if-else 规则。先跑它，主要是拿到两个参考值：训练集上能达到的精度上限和单条预测的耗时。有了这两个数，后面换复杂模型才有对比依据。

from sklearn.tree import DecisionTreeClassifier base_dt = DecisionTreeClassifier( max_depth=5, min_samples_split=10, random_state=42 ) base_dt.fit(X_train, y_train) train_acc = base_dt.score(X_train, y_train) test_acc = base_dt.score(X_test, y_test) print(f"DecisionTree train acc={train_acc:.4f} test acc={test_acc:.4f}")

max_depth=5 限制树的最大深度，避免决策树在训练集上无限生长导致过拟合；min_samples_split=10 表示节点至少包含 10 个样本才允许分裂，二者是控制树复杂度的主要旋钮。random_state 固定随机性，保证可复现。实际运行结果通常在 98% 以上，原因是蘑菇数据里 odor、spore-print-color 等特征与毒性高度相关，单靠一个特征就能区分绝大部分样本。

3.2 随机森林：用 200 棵树的集成提升稳定性

决策树基线跑通后，下一步是随机森林。随机森林通过对训练集做 bootstrap 抽样生成多棵树，再用投票汇总结果，本质上是降低单棵树的方差，提升泛化能力。对蘑菇这种类别型特征多、特征间存在非线性关系的数据，随机森林通常能把测试精度推到 99% 以上。

from sklearn.ensemble import RandomForestClassifier rf_model = RandomForestClassifier( n_estimators=200, max_depth=10, min_samples_leaf=2, n_jobs=-1, random_state=42 ) rf_model.fit(X_train, y_train) rf_train_acc = rf_model.score(X_train, y_train) rf_test_acc = rf_model.score(X_test, y_test) print(f"RandomForest train acc={rf_train_acc:.4f} test acc={rf_test_acc:.4f}")

n_estimators=200 表示训练 200 棵树，树越多精度越稳定，但训练和推理时间线性增长；n_jobs=-1 让 sklearn 使用全部 CPU 核心并行训练；min_samples_leaf=2 要求叶子节点至少 2 个样本，起平滑作用。一个容易被忽略的点是：随机森林精度高不代表推理快，200 棵树每棵都要参与预测，延迟是单棵树的几十倍，这对后面做实时接口是个隐患。

3.3 逻辑回归对照：为什么线性模型在这里精度偏低

作为对照组，通常再跑一个逻辑回归。逻辑回归结构简单、能输出概率，但在 One-Hot 展开后的 117 维稀疏输入上，需要更多迭代才能收敛，决策边界也只能是线性的，难以利用特征组合中的非线性信息。

from sklearn.linear_model import LogisticRegression lr_model = LogisticRegression( max_iter=2000, solver='lbfgs', C=1.0, random_state=42 ) lr_model.fit(X_train, y_train) lr_train = lr_model.score(X_train, y_train) lr_test = lr_model.score(X_test, y_test) print(f"LogisticRegression train acc={lr_train:.4f} test acc={lr_test:.4f}")

solver='lbfgs' 在中小数据集上比较稳定；max_iter=2000 是因为 One-Hot 后特征维度增加，默认 100 次迭代经常不收敛；C=1.0 是正则化强度的倒数，C 越小正则化越强。逻辑回归在本数据集的测试精度一般在 98% 附近，比随机森林低一点，这个差距就是线性模型和非线性模型在特征组合能力上的体现。

3.4 三个模型的指标对比

模型	测试精度区间	推理延迟	可解释性	适用方向
决策树 (max_depth=5)	0.98 - 0.99	最低	高，规则可直接读	教学演示、快速验证
随机森林 (200 棵树)	0.99 - 1.00	中等	中，特征重要性可读	本地实验、精度优先
逻辑回归	0.97 - 0.99	低	中，系数可解释	在线服务、概率输出

表格里的精度是多次随机种子下的典型范围，不是固定值。它传达的关键信息是：蘑菇数据集并不需要堆模型，决策树和随机森林已经逼近上限，继续提升只能来自特征重组和调参，而不是换更复杂的网络结构。把这张表写进项目说明，读者一眼就能看到选型逻辑。

4. 调参与交叉验证：把过拟合和参数选择风险一起压住

4.1 参数网格搜索的用法与计算量估算

决策树和随机森林的可调参数不多，但手动组合试错效率很低。常见做法是用 GridSearchCV 做网格搜索，并对每组参数做交叉验证，一次性覆盖候选组合。

from sklearn.model_selection import GridSearchCV from sklearn.ensemble import RandomForestClassifier param_grid = { 'n_estimators': [100, 200], 'max_depth': [None, 8, 12], 'min_samples_leaf': [1, 2, 4] } rf_tune = RandomForestClassifier(random_state=42, n_jobs=-1) grid = GridSearchCV( rf_tune, param_grid, cv=5, scoring='accuracy', verbose=1 ) grid.fit(X_train, y_train) print(grid.best_params_) print(grid.best_score_)

param_grid 的组合数是 2×3×3=18 组，cv=5 表示每组参数做 5 折交叉验证，总训练次数是 90 次。在八、九千条的蘑菇数据上，这个量级几分钟就能跑完。best_score_ 是交叉验证的平均精度，用它作为调参依据比单次切分的 test score 更稳定，因为它综合了 5 次不同划分的结果。

4.2 编码与验证流程的隔离：跳过这一步等于白调参

调参阶段最容易犯的错误是让测试集参与了模型选择的循环：先用测试集看效果，再改参数，再测一遍。这样测试集的信息已经通过反复查看泄露进参数选择过程，最后报告的测试精度是乐观偏高的。正确的顺序是先切分，再在训练集内部做交叉验证调参，最后用测试集只做一次最终评估。

参数	作用	设置过大的后果	设置过小的后果
n_estimators	决策树数量	训练和推理时间过长	模型方差大、不稳定
max_depth	树的最大深度	过拟合	欠拟合、精度下降
min_samples_leaf	叶子最少样本数	模型过于平滑	对噪声敏感

这个表和 4.1 的网格搜索是配套的。调参时先把取值范围设宽，观察 best_score_ 的变化方向，再收缩到局部最优区域做细粒度搜索，比一次把步长设到最小更省时间。

提示：测试集只能使用一次。如果多次查看测试结果再回头调参，测试集就失去了独立评估的意义。

4.3 特征重要性：找出模型依赖的具体特征

随机森林训练结束后，feature_importances_ 会给出每个特征在分裂时的平均贡献度，是分析模型行为的直接依据。

import matplotlib.pyplot as plt import numpy as np importances = rf_model.feature_importances_ feature_names = X_encoded.columns idx = np.argsort(importances)[::-1][:10] plt.figure(figsize=(8, 5)) plt.barh([feature_names[i] for i in idx[::-1]], importances[idx[::-1]]) plt.xlabel('Feature Importance') plt.tight_layout() plt.savefig('feature_importance.png', dpi=150)

np.argsort(...)[::-1] 把特征按重要性从高到低排序，取前 10 个；barh 画水平条形图，[::-1] 再倒回来是为了让最高的特征显示在最上方。savefig 保存成 png，可以直接放进 PPT 或项目说明。实际输出通常会看到 odor、spore-print-color、gill-color 排在前列，这反过来解释了为什么简单决策树也能有很高精度。

4.4 用混淆矩阵验证有毒类别的查全率

精度高不等于模型可靠。在可食用/有毒这种安全敏感分类里，漏判一个有毒样本的代价远大于误判，所以单独看 accuracy 不够，要同时看混淆矩阵和分类报告。

from sklearn.metrics import confusion_matrix, classification_report y_pred = rf_model.predict(X_test) cm = confusion_matrix(y_test, y_pred) print(cm) report = classification_report( y_test, y_pred, target_names=['edible', 'poisonous'] ) print(report)

混淆矩阵行是真实类别、列是预测类别，对角线是正确预测数。classification_report 里的 recall 是查全率，蘑菇场景下重点看 poisonous 类别的 recall，如果偏低说明不少有毒样本被误判为可食用，模型不可信任。把这两个结果放进项目说明中，作为调参之外的验证闭环，比只报告一个 accuracy 更能说明模型可靠性。

5. 模型导出与命令行调用：把训练好的蘑菇分类器放进可复用脚本

5.1 joblib 打包模型与编码器

训练完成后，模型、标签编码器和特征列名需要一起持久化，否则下次使用还得重新训练。joblib 是 sklearn 官方推荐的序列化方式，对包含大量数组的模型对象效率比 pickle 高。

import joblib joblib.dump({ 'model': rf_model, 'label_encoder': le, 'feature_columns': list(X_encoded.columns) }, 'mushroom_classifier.joblib')

这里把它打包成一个字典，避免恢复模型时遗漏编码规则。feature_columns 尤其重要，推理端做 One-Hot 后必须用训练时的列顺序对齐特征矩阵，缺了它，特征顺序一变，预测结果就会出问题。

5.2 命令行预测的最小实现与列对齐

导出的模型可以直接封装成一个函数，输入是包含 22 个特征值的字典，输出是 'edible' 或 'poisonous'。

def predict_mushroom(features: dict): loaded = joblib.load('mushroom_classifier.joblib') model = loaded['model'] le = loaded['label_encoder'] feature_cols = loaded['feature_columns'] sample = pd.DataFrame([features]) sample_encoded = pd.get_dummies(sample) sample_encoded = sample_encoded.reindex(columns=feature_cols, fill_value=0) pred = model.predict(sample_encoded)[0] return le.inverse_transform([pred])[0]

reindex 是这里的关键操作：单条样本转 One-Hot 后，先用训练时的列顺序对齐，不存在的列用 0 填充，确保预测时维度与训练一致。这个函数后面改造成 web 接口时，只需要把字典入参换成解析 JSON body，内部逻辑完全不用动。