机器学习与应用
第二天 机器学习与应用
- 1.sklearn数据集与估计器
- 2.分类算法k近邻算法
一 sklearn 数据集与估计器
1.1 sklearn 数据集
- 数据集划分
- sklearn数据集接口介绍
- sklearn分类数据集
- sklearn回归数据集
1.1.1 数据集的划分
数据集划分
思考:如果数据集全部用于训练模型,有什么问题?
只训练了模型,没有数据集对模型进行验证,没有模型的调优
机器学习数据集划分为训练数据和测试数据:
训练数据:运用训练,构建模型
测试数据:在模型检验时使用,用于评估模型是否有效
1.1.2 数据集API
sklearn数据集划分API
sklearn.model_selection.train_test_split
机器学习为什么不自己准备数据
自己准备数据集,耗时耗力,不一定真实。
1.1.2.1 sklearn 数据集API介绍
sklearn.datasets
加载获取流行数据集
datasets.load_*()
获取小规模数据集,数据包含在datasets里
datasets.fetch_*(data_home=None)
获取大规模数据集,需要从网络上下载,函数的第一个参数data_home,表示数据集下载的目录,默认是 ~/scikit_learn_data/
1.1.2.2 获取数据集返回的类型
load和fetch返回的数据类型datasets.base.Bunch(字典格式)
data:特征数据数组,是 [n_samples * n_features] 的二维 numpy.ndarray 数组
target:标签数组,是 n_samples 的一维 numpy.ndarray 数组
DESCR:数据描述
feature_names:特征名,新闻数据,手写数字、回归数据集没有
target_names:标签名,回归数据集没有
rom sklearn.datasets import load_iris
li = load_iris()
print(li.data)
print(li.target)
print(li.DESCR)
print(li.feature_names)
print(li.target_names)
# 划分数据集 x_train, x_test, y_train,y_test
from sklearn.model_selection import train_test_split
x_train , y_train, x_test, y_test = train_test_split(li.data, li.target, test_size=0.25)
print(x_train, y_train)
print("-------------")
print(x_test, y_test)
# 获取大数据集
from sklearn.datasets import fetch_20newsgroups
news = fetch_20newsgroups(subset='all')
print(news.data)
# 获取回归数据集
from sklearn.datasets import load_boston
lb = load_boston()
print(lb.data)
print(lb.target)
1.1.2.3 数据集进行分割
sklearn.model_selection.train_test_split(*arrays, **options)
x 数据集的特征值
y 数据集的标签值
test_size 测试集的大小,一般为float
random_state 随机数种子,不同的种子会造成不同的随机
采样结果。相同的种子采样结果相同。
return 训练集特征值,测试集特征值,训练标签,测试标签
(默认随机取)
1.1.2 转换器与预估器
想一下之前做的特征工程的步骤?
1、实例化 (实例化的是一个转换器类(Transformer))
2、调用fit_transform(对于文档建立分类词频矩阵,不能同时调用)
1.1.2.1 sklearn机器学习算法的实现-估计器
在sklearn中,估计器(estimator)是一个重要的角色,分类器和回归器都属于estimator,是一类实现了算法的API
1、用于分类的估计器:
sklearn.neighbors k-近邻算法
sklearn.naive_bayes 贝叶斯
sklearn.linear_model.LogisticRegression 逻辑回归
sklearn.tree 决策树与随机森林
2、用于回归的估计器:
sklearn.linear_model.LinearRegression 线性回归
sklearn.linear_model.Ridge 岭回归
1.1.2.2 估计器工作流程
二 分类算法
分类算法:k邻近,朴素贝叶斯,决策树,随机slin
2.1 分类算法-K邻近算法
定义:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别
来源:KNN算法最早是由Cover和Hart提出的一种分类算法
计算公式: 欧式距离
两个样本的距离可以通过如下公式计算,又叫欧式距离
比如说,a(a1,a2,a3),b(b1,b2,b3)
sklearn k-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’)
n_neighbors:int,可选(默认= 5),k_neighbors查询默认使用的邻居数
algorithm:{‘auto’,‘ball_tree’,‘kd_tree’,‘brute’},可选用于计算最近邻居的算法:‘ball_tree’将会使用 BallTree,‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)
k近邻算法实例-预测入住位置
数据的处理
1、缩小数据集范围
DataFrame.query()
2、处理日期数据
pd.to_datetime
pd.DatetimeIndex
3、增加分割的日期数据
4、删除没用的日期数据
DataFrame.drop
5、将签到位置少于n个用户的删除
place_count =data.groupby(‘place_id’).aggregate(np.count_nonzero)tf = place_count[place_count.row_id > 3].reset_index()
data = data[data[‘place_id’].isin(tf.place_id)]
2.2 分类算法-朴素贝叶斯
2.2.1 概率论基础
2.2.2 朴素贝叶斯介绍
概率定义为一件事情发生的可能性
联合概率和条件概率
联合概率
联合概率:包含多个条件,且所有条件同时成立的概率
P(A,B)或P(AB)
P(AB)=P(A)*P(B|A)
条件概率
条件概率:就是事件A在另外一个事件B已经发生条件下的发生概率
P(A|B)
P(A|B)=P(AB)/P(B)=P(B|A)*P(A)/P(B)
特性:P(A1,A2|B) = P(A1|B)P(A2|B)
注意:此条件概率的成立,是由于A1,A2相互独立的结果
朴素贝叶斯用于文本分类
实质:在文档中词语出现的情况下预测文档类别,概率表示为
P(文档类别1|文档特征值)
P(文档类别2|文档特征值)
m表示的是全部文档统计出的特征词个数,在上面列子中m=221
sklearn朴素贝叶斯实现API
sklearn.naive_bayes.MultinomialNB
- MultinomialNB
sklearn.naive_bayes.MultinomialNB(alpha = 1.0)
朴素贝叶斯分类
alpha:拉普拉斯平滑系数
2.2.3 朴素贝叶斯算法案例
sklearn20类新闻分类
20个新闻组数据集包含20个主题的18000个新闻组帖子
朴素贝叶斯案例流程
- 1加载20类新闻分类数据,并进行分割
- 2生成文章特征值
- 3朴素贝叶斯estimator流程进行预估
朴素贝叶斯分类优缺点 - 优点:
朴素贝叶斯模型发源于古典数学理论,有稳定的分类效率。
对缺失数据不太敏感,算法也比较简单,常用于文本分类。
分类准确度高,速度快 - 缺点:
由于使用了样本属性独立性的假设,所以如果样本属性有关联时
其效果不好
# 对中文进行文本分类,需要jieba分词和停词等,在另外博客中有案例
from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report
def naviebayes():
"""
朴素贝叶斯算法进行新闻的分类
:return:
"""
# 首先获取数据集
news = fetch_20newsgroups(subset='all')
# 划分数据集为训练集合测试集
x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)
# print("训练集的文章和文章类型:", y_train)
# 进行特征抽取tfidf
tf = TfidfVectorizer()
x_train = tf.fit_transform(x_train)
x_test = tf.transform(x_test)
# 进行预测
mlb = MultinomialNB(alpha=1.0)
mlb.fit(x_train, y_train)
y_predict = mlb.predict(x_test)
print("预测的类别:", y_predict)
print("真实的类别:", y_test)
print("准确率:", mlb.score(x_test, y_test))
# 打印评估指标
print("每个类别精确率和召回率为:", classification_report(y_test, y_predict, target_names=news.target_names))
2.3 分类模型评估
- estimator.score()
一般最常见使用的是准确率,即预测结果正确的百分比 - 混淆矩阵
在分类任务下,预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合,构成混淆矩阵(适用于多分类)
- 精确率(Precision)与召回率(Recall,适用于癌症患者诊断结果)
- 其他分类标准,F1-score,反映了模型的稳健型
- 分类模型评估API
sklearn.metrics.classification_report
sklearn.metrics.classification_report(y_true, y_pred, target_names=None)
y_true:真实目标值
y_pred:估计器预测目标值
target_names:目标类别名称
return:每个类别精确率与召回率
2.4 模型的选择与调优
- 教材验证
- 网格搜索
2.4.1 交叉验证:为了让被评估的模型更加准确可信
交叉验证过程
交叉验证:将拿到的训练数据,分为训练和验证集。以下图为例:将数据分
成5份,其中一份作为验证集。然后经过5次(组)的测试,每次都更换不同
的验证集。即得到5组模型的结果,取平均值作为最终结果。又称5折交叉
验证。
2.4.2 超参数搜索-网格搜索
超参数搜索-网格搜索
通常情况下,有很多参数是需要手动指定的(如k-近邻算法中的K值),
这种叫超参数。但是手动过程繁杂,所以需要对模型预设几种超参数组
合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建
立模型。
超参数搜索-网格搜索API
sklearn.model_selection.GridSearchCV
sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None)
对估计器的指定参数值进行详尽搜索
estimator:估计器对象
param_grid:估计器参数(dict){“n_neighbors”:[1,3,5]}
cv:指定几折交叉验证
fit:输入训练数据
score:准确率
结果分析:
best_score_:在交叉验证中验证的最好结果
best_estimator_:最好的参数模型
cv_results_:每次交叉验证后的测试集准确率结果和训练集准确率结果
import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
# k-近邻算法预测入住位置
def knncls():
"""
k-近邻算法预测入住位置
:return: None
"""
# 读取数据
data = pd.read_csv("~/Downloads/temp/train.csv")
print(data.head(10))
# 特征工程
# 1.缩小数据范围
data = data.query(("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75"))
# 2.进行时间装换,多构造一些特征
time_value = pd.to_datetime(data['time'], unit="s")
# 把时间设置为索引
time_value = pd.DatetimeIndex(time_value)
# 增加特征
data['weekday'] = time_value.weekday
data['day'] = time_value.day
data['hour'] = time_value.hour
data = data.drop(['time'], axis=1)
# 对目标值进行筛选,避免预测类别太多(入住位置少于多少人的地址直接忽略)
place_count = data.groupby("place_id").count()
tf = place_count[place_count.row_id > 3].reset_index()
data = data[data['place_id'].isin(tf.place_id)]
print(data)
# 整理出数据的特征值和目标值
y = data["place_id"]
x = data.drop(["place_id"], axis = 1)
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
# k-近邻需要对特征进行标准化
std = StandardScaler()
x_train = std.fit_transform(x_train)
x_test = std.transform(x_test)
# 算法估计器
# knn = KNeighborsClassifier(n_neighbors=5)
knn = KNeighborsClassifier()
knn.fit(x_train, y_train)
# 预测结果
y_predict = knn.predict(x_test)
print("预测的准确率:", knn.score(x_test, y_test))
# 算法估计器
knn = KNeighborsClassifier()
# knn.fit(x_train, y_train)
#
# # 预测结果
# y_predict = knn.predict(x_test)
#
# print("预测的准确率:", knn.score(x_test, y_test))
# 用交叉验证和网格搜索来进行预估
param = {"n_neighbors": [3, 5, 7]}
gc = GridSearchCV(knn, param_grid=param, cv=2)
gc.fit(x_train, y_train)
print("测试集的结果:", gc.score(x_test, y_test))
# 查看超参数搜索的整个结果情况
print("在交叉验证当中最好结果:", gc.best_score_)
print("最好的参数模型:", gc.best_estimator_)
print("每次交叉验证的结果:", gc.cv_results_)
return None
knncls()
2.3 分类算法 决策树 随机森林
2.3.1 决策树
-
1、认识决策树
决策树思想的来源非常朴素,程序设计中的条件分支结构就是if-then结构,最早的决策树就是利用这类结构分割数据的一种分类学习方法
-
2、信息论基础-银行贷款分析
信息熵
信息和消除不确定性是相联系的
决策树的划分依据之一-信息增益
特征A对训练数据集D的信息增益g(D,A),定义为集合D的信息熵H(D)与特征A给定条件下D的信息条件熵H(D|A)之差,即公式为:
注:信息增益表示得知特征X的信息而使得类Y的信息的不确定性减少的程度
常见决策树使用的算法
ID3
信息增益 最大的准则
C4.5
信息增益比 最大的准则
CART
回归树: 平方误差 最小
分类树: 基尼系数 最小的准则 在sklearn中可以选择划分的原则
- 3、决策树的生成
- 4、泰坦尼克号乘客生存分类
决策树的优缺点以及改进
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
# 决策树预测乘客是否存活
def descsion():
"""
预测泰坦尼克号人员存活
:return: None
"""
# 获取数据, 提取出特征值和目标值
titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")
print(titan)
x = titan[['pclass', 'age', 'sex']]
y = titan[['survived']]
# 处理缺失值
x['age'].fillna(x['age'].mean(), inplace=True)
# 进行数据的分割
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size= 0.25)
# 进行字典特征抽取(针对类别特征) [['1st', 24, 'female'],[]]----->[{"pclass":1st, "age":24, "sex":female},{},{},{}]
dict = DictVectorizer(sparse=False)
x_train = dict.fit_transform(x_train.to_dict(orient='records'))
x_test = dict.transform(x_test.to_dict(orient='records'))
# 查看列名
print(dict.get_feature_names())
# 进行决策树预测
dec = DecisionTreeClassifier(max_depth=10)
dec.fit(x_train, y_train)
print("准确率:", dec.score(x_test, y_test))
y_predict = dec.predict(x_test)
print(y_predict)
print(y_test)
# 树的结构本地化保存
# export_graphviz(dec, out_file="./tree.dot", feature_names=['年龄', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', '女性', '男性'])
#随机森林
# rf = RandomForestClassifier(n_estimators=15, max_depth=10)
#
# rf.fit(x_train, y_train)
#
# print(rf.score(x_test, y_test))
#
# return None
if __name__ == '__main__':
descsion()
2.4 集成学习方法-随机森林
-
1、什么是随机森林
定义:在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个数的结果是False, 那么最终结果会是True. -
2、随机森林的过程、优势
-
3、泰坦尼克号乘客生存分类分析
集成学习方法
集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型,各自独立地学习和作出预测。这些预测最后结合成单预测,因此优于任何一个单分类的做出预测。