sklearn数据集与估计器
数据集划分
机器学习一般的数据集会划分为两个部分:
训练数据:用于训练,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
数据集划分API
sklearn.model_selection.train_test_split
sklearn.datasets
加载获取流行数据集
from sklearn.datasets import load_*
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
数的第一个参数是data_home,表示数据集
下载的目录,默认是 ~/scikit_learn_data/
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
数据集进行分割
from sklearn.model_selection import train_test_split
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)
sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’)
#subset: 'train'或者'test','all',可选,选择要加载的数据集.训练集的“训练”,测试集的“测试”,两者的“全部”
datasets.clear_data_home(data_home=None)
#清除目录下的数据
步骤
实例化类
name=load_*()
切割数据,输出训练集和测试集的train,test
x_train,x_test,y_train,y_test=train_test_split(li.data,li.target,test_size=0.25)#test_size是测试集的占比
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
2、用于回归的估计器:
sklearn.linear_model.LinearRegression 线性回归
sklearn.linear_model.Ridge 岭回归
估计器的工作流程
#分类算法-k近邻算法
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
计算距离公式:
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
from sklearn.neighbors import 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)
实列流程
数据的处理
1、缩小数据集范围(a>1&a<2)
DataFrame.query()
2、处理日期数据,转化为时间序列
pd.to_datetime (data[‘time’],unit=‘s’)
pd.DatetimeIndex #时间序列转化为dataframe类型
3、增加分割的日期数据
4、删除没用的日期数据
pd.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、分割数据集
#进行数据的分割训练集和测试集
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)
3、对数据集进行标准化
#特征工程(标准化)
std=StandardScaler()
#对测试集和训练集进行标准化
x_train = std.fit_transform(x_train)
x_test=std.transform(x_test)
4、estimator流程进行分类预测
#进行算法流程
knn=KNeighborsClassifier()
knn.fit(x_train,y_train)
#得出预测结果
y_predict=knn.predict(x_test)
print('预测的目标值签到位置为:\n',y_predict)
#得出准确率
print("预测的准确率\n",knn.score(x_test,y_test))
交叉验证
#构造一些参数
param = {'n_neighbors':[3,5,10]}
#进行网格搜索
gc = GridSearchCV(knn,param_grid=param,cv = 2)
gc.fit(x_train,y_train)
#预测准确率
print('在测试集上准确率:', gc.score(x_test,y_test))
print('在交叉验证当中最好的结果:', gc.best_score_)
print('选择最好的模型是:',gc.best_estimator_)
print('每个超参数每次交叉验证的结果是:',gc.cv_results_)
k近邻算法实例-预测入住位置
def knn():
"""
knn算法
:return:
"""
#读取数据
data=pd.read_csv(r"E:\QQ\Download\File\day2\train.csv")
#取出规定范围的数据(缩小数据范围)
print(data)
data=data.query("0<x&x<1.0&y>1.0&y<2.0")
# data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")
#处理时间数据
time_value=pd.to_datetime(data["time"],unit="s")
# 把日期格式转化成字典格式
time_value = pd.DatetimeIndex(time_value)
#构造一些特征
data['day']=time_value.day
data['hour'] = time_value.hour
data['weekday'] = time_value.weekday
#把时间戳数据删除
data = data.drop(['time'],axis=1)
# print(data)
#把标签减少至n的位置(只要>n的数据)
place_count=data.groupby(by='place_id').count()
tf=place_count[place_count.row_id>3].reset_index()
data=data[data['place_id'].isin(tf.place_id)]
print(tf)
# 取出数据中发特征值和目标值
y = data["place_id"]
x = data.drop(["place_id"], axis=1)
#进行数据的分割训练集和测试集
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)
#特征工程(标准化)
std=StandardScaler()
#对测试集和训练集进行标准化
x_train = std.fit_transform(x_train)
x_test=std.transform(x_test)
#进行算法流程
knn=KNeighborsClassifier()
knn.fit(x_train,y_train)
#得出预测结果
y_predict=knn.predict(x_test)
print('预测的目标值签到位置为:\n',y_predict)
#得出准确率
print("预测的准确率\n",knn.score(x_test,y_test))
##交叉验证
#构造一些参数
param = {'n_neighbors':[3,5,10]}
#进行网格搜索
gc = GridSearchCV(knn,param_grid=param,cv = 2)
gc.fit(x_train,y_train)
#预测准确率
print('在测试集上准确率:', gc.score(x_test,y_test))
print('在交叉验证当中最好的结果:', gc.best_score_)
print('选择最好的模型是:',gc.best_estimator_)
print('每个超参数每次交叉验证的结果是:',gc.cv_results_)
if __name__ == '__main__':
knn()
问题
k值取很小:容易受异常点影响
k值取很大:容易受最近数据太多导致比例变化
优缺点
优点:
简单,易于理解,易于实现,无需估计参数,无需训练
缺点:
懒惰算法,对测试样本分类时的计算量大,内存开销大
必须指定K值,K值选择不当则分类精度不能保证
**应用场景:**小数据场景,几千~几万样本,具体场景具体业务
去测试
4、分类评估之混淆矩阵
其他分类标准,F1-score,反映了模型的稳健型
分类模型评估API
from sklearn.metrics import 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
5、分类算法-朴素贝叶斯算法
概率基础: 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: 包含多个条件,且所有条件同时成立的概率
记作:p(A,B)
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
记作:p(A|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-贝叶斯公式
拉普拉斯平滑系数
sklearn朴素贝叶斯实现API
from sklearn.naive_bayes import MultinomialNB
sk=sklearn.naive_bayes.MultinomialNB(alpha = 1.0)
#实例化朴素贝叶斯分类 alpha:拉普拉斯平滑系数(基本为1)
朴素贝叶斯的优缺点
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:
需要知道先验概率P(F1,F2,…|C),因此在某些时候会由于假设的先验
模型的原因导致预测效果不佳。
#6、朴素贝叶斯算法实例
def news():
“”"
朴素贝叶斯算法预测:
:return:
“”"
news=fetch_20newsgroups(subset=‘all’)
# print(news.data)
#进行数据分割 (20篇文章3:1分为训练集,测试集)
x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)
# 对数据集进行特征抽取
tf = TfidfVectorizer()
# 以训练集当中的词的列表进行每篇文章重要性统计['a','b','c','d']
x_train = tf.fit_transform(x_train)
# print(tf.get_feature_names())
x_test = tf.transform(x_test)
# 进行朴素贝叶斯算法的预测
mlt = MultinomialNB(alpha=1.0)
print(x_train.toarray())
mlt.fit(x_train, y_train)
y_predict = mlt.predict(x_test)
print("预测的文章类别为:", y_predict)
# 得出准确率
print("准确率为:", mlt.score(x_test, y_test))
print("每个类别的精确率和召回率:", classification_report(y_test, y_predict, target_names=news.target_names))
return None
7、模型的选择与调优
交叉验证:为了让被评估的模型更加准确可信
##1、交叉验证
**交叉验证:**将拿到的数据,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、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。
sklearn.model_selection.GridSearchCV
from sklearn.model_selection import 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_:在交叉验证中测试的最好结果
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