Kaggle入门——使用scikit-learn解决DigitRecognition问题

分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow

也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！

               

Kaggle入门——使用scikit-learn解决DigitRecognition问题

@author: wepon

@blog: http://blog.csdn.net/u012162613

1、scikit-learn简介

scikit-learn是一个基于NumPy、SciPy、Matplotlib的开源机器学习工具包，采用Python语言编写，主要涵盖分类、

回归和聚类等算法，例如knn、SVM、逻辑回归、朴素贝叶斯、随机森林、k-means等等诸多算法，官网上代码和文档

都非常不错，对于机器学习开发者来说，是一个使用方便而强大的工具，节省不少开发时间。

扫描二维码关注公众号，回复： 4087428 查看本文章

scikit-learn官网指南：http://scikit-learn.org/stable/user_guide.html

上一篇文章《大数据竞赛平台—Kaggle入门》  我分两部分内容介绍了Kaggle，在第二部分中，我记录了解决Kaggle上的竞赛项目DigitRecognition的整个过程，当时我是用自己写的kNN算法，尽管自己写歌kNN算法并不会花很多时间，但是当我们想尝试更多、更复杂的算法，如果每个算法都自己实现的话，会很浪费时间，这时候scikit-learn就发挥作用了，我们可以直接调用scikit-learn的算法包。当然，对于初学者来说，最好还是在理解了算法的基础上，来调用这些算法包，如果有时间，自己完整地实现一个算法相信会让你对算法掌握地更深入。

OK，话休絮烦，下面进入第二部分。

2、使用scikit-learn解决DigitRecognition

我发现自己很喜欢用DigitRecognition这个问题来练习分类算法，因为足够简单。如果你还不知道DigitRecognition问题是什么，请先简单了解一下：Kaggle DigitRecognition ，在我上一篇文章中也有描述：《大数据竞赛平台—Kaggle入门》 。下面我使用scikit-learn中的算法包kNN（k近邻）、SVM（支持向量机）、NB（朴素贝叶斯）来解决这个问题，解决问题的关键步骤有两个：1、处理数据。2、调用算法。

（1）处理数据

这一部分与上一篇文章《大数据竞赛平台—Kaggle入门》 中第二部分的数据处理是一样的，本文不打算重复，下面只简单地罗列各个函数及其功能，在本文最后部分也有详细的代码。

def loadTrainData():    #这个函数从train.csv文件中获取训练样本:trainData、trainLabeldef loadTestData():    #这个函数从test.csv文件中获取测试样本:testDatadef toInt(array):def nomalizing(array):    #这两个函数在loadTrainData()和loadTestData()中被调用    #toInt()将字符串数组转化为整数，nomalizing()归一化整数def loadTestResult():    #这个函数加载测试样本的参考label，是为了后面的比较def saveResult(result,csvName):    #这个函数将result保存为csv文件，以csvName命名

“处理数据”部分，我们从train.csv、test.csv文件中获取了训练样本的feature、训练样本的label、测试样本的feature，在程序中我们用trainData、trainLabel、testData表示。

（2）调用scikit-learn中的算法

kNN算法

#调用scikit的knn算法包from sklearn.neighbors import KNeighborsClassifier  def knnClassify(trainData,trainLabel,testData):     knnClf=KNeighborsClassifier()#default:k = 5,defined by yourself:KNeighborsClassifier(n_neighbors=10)    knnClf.fit(trainData,ravel(trainLabel))    testLabel=knnClf.predict(testData)    saveResult(testLabel,'sklearn_knn_Result.csv')    return testLabel

kNN算法包可以自己设定参数k，默认k=5，上面的comments有说明。

更加详细的使用，推荐上官网查看：http://scikit-learn.org/stable/modules/neighbors.html

SVM算法

#调用scikit的SVM算法包from sklearn import svm   def svcClassify(trainData,trainLabel,testData):     svcClf=svm.SVC(C=5.0) #default:C=1.0,kernel = 'rbf'. you can try kernel:‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’      svcClf.fit(trainData,ravel(trainLabel))    testLabel=svcClf.predict(testData)    saveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')    return testLabel

SVC()的参数有很多，核函数默认为'rbf'（径向基函数）,C默认为1.0

更加详细的使用，推荐上官网查看：http://scikit-learn.org/stable/modules/svm.html

朴素贝叶斯算法

#调用scikit的朴素贝叶斯算法包,GaussianNB和MultinomialNBfrom sklearn.naive_bayes import GaussianNB      #nb for 高斯分布的数据def GaussianNBClassify(trainData,trainLabel,testData):     nbClf=GaussianNB()              nbClf.fit(trainData,ravel(trainLabel))    testLabel=nbClf.predict(testData)    saveResult(testLabel,'sklearn_GaussianNB_Result.csv')    return testLabel    from sklearn.naive_bayes import MultinomialNB   #nb for 多项式分布的数据    def MultinomialNBClassify(trainData,trainLabel,testData):     nbClf=MultinomialNB(alpha=0.1)      #default alpha=1.0,Setting alpha = 1 is called Laplace smoothing, while alpha < 1 is called Lidstone smoothing.           nbClf.fit(trainData,ravel(trainLabel))    testLabel=nbClf.predict(testData)    saveResult(testLabel,'sklearn_MultinomialNB_alpha=0.1_Result.csv')    return testLabel

上面我尝试了两种朴素贝叶斯算法:高斯分布的和多项式分布的。多项式分布的函数有参数alpha可以自设定。

更加详细的使用，推荐上官网查看：http://scikit-learn.org/stable/modules/naive_bayes.html

使用方法总结： 

第一步：首先确定使用哪种分类器，这一步可以设置各种参数，比如:

svcClf=svm.SVC(C=5.0)

第二步：接这个分类器要使用哪些训练数据？调用fit方法，比如:

svcClf.fit(trainData,ravel(trainLabel))

fit(X,y)说明：

X:  对应trainData

array-like, shape = [n_samples, n_features]，X是训练样本的特征向量集，n_samples行n_features列，即每个训练样本占一行，每个训练样本有多少特征就有多少列。

y:  对应trainLabel

array-like, shape = [n_samples]，y必须是一个行向量，这也是上面为什么使用numpy.ravel()函数的原因。

第三步：使用分类器预测测试样本，比如：

 testLabel=svcClf.predict(testData)

调用predict方法。

第四步：保存结果，这一步是取决于我们解决问题的要求，因为本文以DigitRecognition为例，所以有：

saveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')

（3）make a submission

上面基本就是整个开发过程了，下面看一下各个算法的效果，在Kaggle上make a submission

knn算法的效果，准确率95.871%

朴素贝叶斯，alpha=1.0，准确率81.043%

SVM，linear核，准确率93.943%

3、工程文件

CSDN下载：Kaggle 入门-使用scikit-learn解决DigitRecoginition

Github：https://github.com/wepe/Kaggle-Solution

贴一下代码：

#!/usr/bin/python# -*- coding: utf-8 -*-"""Created on Tue Dec 16 21:59:00 2014@author: wepon@blog:http://blog.csdn.net/u012162613"""from numpy import *import csvdef toInt(array):    array=mat(array)    m,n=shape(array)    newArray=zeros((m,n))    for i in xrange(m):        for j in xrange(n):                newArray[i,j]=int(array[i,j])    return newArray    def nomalizing(array):    m,n=shape(array)    for i in xrange(m):        for j in xrange(n):            if array[i,j]!=0:                array[i,j]=1    return array    def loadTrainData():    l=[]    with open('train.csv') as file:         lines=csv.reader(file)         for line in lines:             l.append(line) #42001*785    l.remove(l[0])    l=array(l)    label=l[:,0]    data=l[:,1:]    return nomalizing(toInt(data)),toInt(label)  #label 1*42000  data 42000*784    #return trainData,trainLabel    def loadTestData():    l=[]    with open('test.csv') as file:         lines=csv.reader(file)         for line in lines:             l.append(line)#28001*784    l.remove(l[0])    data=array(l)    return nomalizing(toInt(data))  #  data 28000*784    #return testData    def loadTestResult():    l=[]    with open('knn_benchmark.csv') as file:         lines=csv.reader(file)         for line in lines:             l.append(line)#28001*2    l.remove(l[0])    label=array(l)    return toInt(label[:,1])  #  label 28000*1    #result是结果列表 #csvName是存放结果的csv文件名def saveResult(result,csvName):    with open(csvName,'wb') as myFile:            myWriter=csv.writer(myFile)        for i in result:            tmp=[]            tmp.append(i)            myWriter.writerow(tmp)                        #调用scikit的knn算法包from sklearn.neighbors import KNeighborsClassifier  def knnClassify(trainData,trainLabel,testData):     knnClf=KNeighborsClassifier()#default:k = 5,defined by yourself:KNeighborsClassifier(n_neighbors=10)    knnClf.fit(trainData,ravel(trainLabel))    testLabel=knnClf.predict(testData)    saveResult(testLabel,'sklearn_knn_Result.csv')    return testLabel    #调用scikit的SVM算法包from sklearn import svm   def svcClassify(trainData,trainLabel,testData):     svcClf=svm.SVC(C=5.0) #default:C=1.0,kernel = 'rbf'. you can try kernel:‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’      svcClf.fit(trainData,ravel(trainLabel))    testLabel=svcClf.predict(testData)    saveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')    return testLabel    #调用scikit的朴素贝叶斯算法包,GaussianNB和MultinomialNBfrom sklearn.naive_bayes import GaussianNB      #nb for 高斯分布的数据def GaussianNBClassify(trainData,trainLabel,testData):     nbClf=GaussianNB()              nbClf.fit(trainData,ravel(trainLabel))    testLabel=nbClf.predict(testData)    saveResult(testLabel,'sklearn_GaussianNB_Result.csv')    return testLabel    from sklearn.naive_bayes import MultinomialNB   #nb for 多项式分布的数据    def MultinomialNBClassify(trainData,trainLabel,testData):     nbClf=MultinomialNB(alpha=0.1)      #default alpha=1.0,Setting alpha = 1 is called Laplace smoothing, while alpha < 1 is called Lidstone smoothing.           nbClf.fit(trainData,ravel(trainLabel))    testLabel=nbClf.predict(testData)    saveResult(testLabel,'sklearn_MultinomialNB_alpha=0.1_Result.csv')    return testLabeldef digitRecognition():    trainData,trainLabel=loadTrainData()    testData=loadTestData()    #使用不同算法    result1=knnClassify(trainData,trainLabel,testData)    result2=svcClassify(trainData,trainLabel,testData)    result3=GaussianNBClassify(trainData,trainLabel,testData)    result4=MultinomialNBClassify(trainData,trainLabel,testData)        #将结果与跟给定的knn_benchmark对比,以result1为例    resultGiven=loadTestResult()    m,n=shape(testData)    different=0      #result1中与benchmark不同的label个数，初始化为0    for i in xrange(m):        if result1[i]!=resultGiven[0,i]:            different+=1    print different

           

给我老师的人工智能教程打call！http://blog.csdn.net/jiangjunshow

你好！ 这是你第一次使用 **Markdown编辑器** 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block var foo = 'bar'; 

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma(n) = (n-1)!\quad\forall n\in\mathbb N$ 是通过欧拉积分

$\Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

gantt
        dateFormat  YYYY-MM-DD
        title Adding GANTT diagram functionality to mermaid
        section 现有任务
        已完成               :done,    des1, 2014-01-06,2014-01-08
        进行中               :active,  des2, 2014-01-09, 3d
        计划一               :         des3, after des2, 5d
        计划二               :         des4, after des3, 5d

• 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：:

这将产生一个流程图。:

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件或者.html文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎