ML神器：sklearn的快速使用及入門
傳統(tǒng)的機(jī)器學(xué)習(xí)任務(wù)從開(kāi)始到建模的一般流程是：獲取數(shù)據(jù) -> 數(shù)據(jù)預(yù)處理 -> 訓(xùn)練建模 -> 模型評(píng)估 -> 預(yù)測(cè)，分類。本文我們將依據(jù)傳統(tǒng)機(jī)器學(xué)習(xí)的流程，看看在每一步流程中都有哪些常用的函數(shù)以及它們的用法是怎么樣的。希望你看完這篇文章可以最為快速的開(kāi)始你的學(xué)習(xí)任務(wù)。
1. 獲取數(shù)據(jù)
1.1 導(dǎo)入sklearn數(shù)據(jù)集
sklearn中包含了大量的優(yōu)質(zhì)的數(shù)據(jù)集，在你學(xué)習(xí)機(jī)器學(xué)習(xí)的過(guò)程中，你可以通過(guò)使用這些數(shù)據(jù)集實(shí)現(xiàn)出不同的模型，從而提高你的動(dòng)手實(shí)踐能力，同時(shí)這個(gè)過(guò)程也可以加深你對(duì)理論知識(shí)的理解和把握。（這一步我也亟需加強(qiáng)，一起加油！^-^）
首先呢，要想使用sklearn中的數(shù)據(jù)集，必須導(dǎo)入datasets模塊：
from sklearn import datasets
下圖中包含了大部分sklearn中數(shù)據(jù)集，調(diào)用方式也在圖中給出，這里我們拿iris的數(shù)據(jù)來(lái)舉個(gè)例子：
iris = datasets.load_iris() # 導(dǎo)入數(shù)據(jù)集 X = iris.data # 獲得其特征向量 y = iris.target # 獲得樣本label
1.2 創(chuàng)建數(shù)據(jù)集
你除了可以使用sklearn自帶的數(shù)據(jù)集，還可以自己去創(chuàng)建訓(xùn)練樣本，具體用法參見(jiàn)《Dataset loading utilities》，這里我們簡(jiǎn)單介紹一些，sklearn中的samples generator包含的大量創(chuàng)建樣本數(shù)據(jù)的方法：
下面我們拿分類問(wèn)題的樣本生成器舉例子：
from sklearn.datasets.samples_generator import make_classification X, y = make_classification(n_samples=6, n_features=5, n_informative=2, n_redundant=2, n_classes=2, n_clusters_per_class=2, scale=1.0, random_state=20) # n_samples：指定樣本數(shù) # n_features：指定特征數(shù) # n_classes：指定幾分類 # random_state：隨機(jī)種子，使得隨機(jī)狀可重
>>> for x_,y_ in zip(X,y): print(y_,end=': ') print(x_) 0: [-0.6600737 -0.0558978 0.82286793 1.1003977 -0.93493796] 1: [ 0.4113583 0.06249216 -0.90760075 -1.41296696 2.059838 ] 1: [ 1.52452016 -0.01867812 0.20900899 1.34422289 -1.61299022] 0: [-1.25725859 0.02347952 -0.28764782 -1.32091378 -0.88549315] 0: [-3.28323172 0.03899168 -0.43251277 -2.86249859 -1.10457948] 1: [ 1.68841011 0.06754955 -1.02805579 -0.83132182 0.93286635]
2. 數(shù)據(jù)預(yù)處理
數(shù)據(jù)預(yù)處理階段是機(jī)器學(xué)習(xí)中不可缺少的一環(huán)，它會(huì)使得數(shù)據(jù)更加有效的被模型或者評(píng)估器識(shí)別。下面我們來(lái)看一下sklearn中有哪些平時(shí)我們常用的函數(shù)：
from sklearn import preprocessing
2.1 數(shù)據(jù)歸一化
為了使得訓(xùn)練數(shù)據(jù)的標(biāo)準(zhǔn)化規(guī)則與測(cè)試數(shù)據(jù)的標(biāo)準(zhǔn)化規(guī)則同步，preprocessing中提供了很多Scaler：
data = [[0, 0], [0, 0], [1, 1], [1, 1]] # 1. 基于mean和std的標(biāo)準(zhǔn)化 scaler = preprocessing.StandardScaler().fit(train_data) scaler.transform(train_data) scaler.transform(test_data) # 2. 將每個(gè)特征值歸一化到一個(gè)固定范圍 scaler = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(train_data) scaler.transform(train_data) scaler.transform(test_data) #feature_range: 定義歸一化范圍，注用（）括起來(lái)
2.2 正則化（normalize）
當(dāng)你想要計(jì)算兩個(gè)樣本的相似度時(shí)必不可少的一個(gè)操作，就是正則化。其思想是：首先求出樣本的p-范數(shù)，然后該樣本的所有元素都要除以該范數(shù)，這樣最終使得每個(gè)樣本的范數(shù)都為1。
>>> X = [[ 1., -1., 2.],
... [ 2., 0., 0.],
... [ 0., 1., -1.]]
>>> X_normalized = preprocessing.normalize(X, norm='l2')
>>> X_normalized
array([[ 0.40..., -0.40..., 0.81...],
[ 1. ..., 0. ..., 0. ...],
[ 0. ..., 0.70..., -0.70...]])
2.3 one-hot編碼
one-hot編碼是一種對(duì)離散特征值的編碼方式，在LR模型中常用到，用于給線性模型增加非線性能力。
data = [[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]] encoder = preprocessing.OneHotEncoder().fit(data) enc.transform(data).toarray()
3. 數(shù)據(jù)集拆分
在得到訓(xùn)練數(shù)據(jù)集時(shí)，通常我們經(jīng)常會(huì)把訓(xùn)練數(shù)據(jù)集進(jìn)一步拆分成訓(xùn)練集和驗(yàn)證集，這樣有助于我們模型參數(shù)的選取。
# 作用：將數(shù)據(jù)集劃分為 訓(xùn)練集和測(cè)試集 # 格式：train_test_split(*arrays, **options) from sklearn.mode_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) """ 參數(shù) --- arrays：樣本數(shù)組，包含特征向量和標(biāo)簽 test_size： float-獲得多大比重的測(cè)試樣本 （默認(rèn)：0.25） int - 獲得多少個(gè)測(cè)試樣本 train_size: 同test_size random_state: int - 隨機(jī)種子（種子固定，實(shí)驗(yàn)可復(fù)現(xiàn)） shuffle - 是否在分割之前對(duì)數(shù)據(jù)進(jìn)行洗牌（默認(rèn)True） 返回 --- 分割后的列表，長(zhǎng)度=2*len(arrays), (train-test split) """
4. 定義模型
在這一步我們首先要分析自己數(shù)據(jù)的類型，搞清出你要用什么模型來(lái)做，然后我們就可以在sklearn中定義模型了。sklearn為所有模型提供了非常相似的接口，這樣使得我們可以更加快速的熟悉所有模型的用法。在這之前我們先來(lái)看看模型的常用屬性和功能：
# 擬合模型 model.fit(X_train, y_train) # 模型預(yù)測(cè) model.predict(X_test) # 獲得這個(gè)模型的參數(shù) model.get_params() # 為模型進(jìn)行打分 model.score(data_X, data_y) # 線性回歸：R square； 分類問(wèn)題： acc
4.1 線性回歸
from sklearn.linear_model import LinearRegression # 定義線性回歸模型 model = LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1) """ 參數(shù) --- fit_intercept：是否計(jì)算截距。False-模型沒(méi)有截距 normalize： 當(dāng)fit_intercept設(shè)置為False時(shí)，該參數(shù)將被忽略。 如果為真，則回歸前的回歸系數(shù)X將通過(guò)減去平均值并除以l2-范數(shù)而歸一化。 n_jobs：指定線程數(shù) """
4.2 邏輯回歸LR
from sklearn.linear_model import LogisticRegression # 定義邏輯回歸模型 model = LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='liblinear', max_iter=100, multi_class='ovr', verbose=0, warm_start=False, n_jobs=1) """參數(shù) --- penalty：使用指定正則化項(xiàng)（默認(rèn)：l2） dual: n_samples > n_features取False（默認(rèn)） C：正則化強(qiáng)度的反，值越小正則化強(qiáng)度越大 n_jobs: 指定線程數(shù) random_state：隨機(jī)數(shù)生成器 fit_intercept: 是否需要常量 """
4.3 樸素貝葉斯算法NB
from sklearn import naive_bayes model = naive_bayes.GaussianNB() # 高斯貝葉斯 model = naive_bayes.MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None) model = naive_bayes.BernoulliNB(alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None) """ 文本分類問(wèn)題常用MultinomialNB 參數(shù) --- alpha：平滑參數(shù) fit_prior：是否要學(xué)習(xí)類的先驗(yàn)概率；false-使用統(tǒng)一的先驗(yàn)概率 class_prior: 是否指定類的先驗(yàn)概率；若指定則不能根據(jù)參數(shù)調(diào)整 binarize: 二值化的閾值，若為None，則假設(shè)輸入由二進(jìn)制向量組成 """
4.4 決策樹(shù)DT
from sklearn import tree model = tree.DecisionTreeClassifier(criterion='gini', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False) """參數(shù) --- criterion ：特征選擇準(zhǔn)則gini/entropy max_depth：樹(shù)的最大深度，None-盡量下分 min_samples_split：分裂內(nèi)部節(jié)點(diǎn)，所需要的最小樣本樹(shù) min_samples_leaf：葉子節(jié)點(diǎn)所需要的最小樣本數(shù) max_features: 尋找最優(yōu)分割點(diǎn)時(shí)的最大特征數(shù) max_leaf_nodes：優(yōu)先增長(zhǎng)到最大葉子節(jié)點(diǎn)數(shù) min_impurity_decrease：如果這種分離導(dǎo)致雜質(zhì)的減少大于或等于這個(gè)值，則節(jié)點(diǎn)將被拆分。 """
4.5 支持向量機(jī)SVM
from sklearn.svm import SVC model = SVC(C=1.0, kernel='rbf', gamma='auto') """參數(shù) --- C：誤差項(xiàng)的懲罰參數(shù)C gamma: 核相關(guān)系數(shù)。浮點(diǎn)數(shù)，If gamma is ‘a(chǎn)uto' then 1/n_features will be used instead. """
4.6 k近鄰算法KNN
from sklearn import neighbors #定義kNN分類模型 model = neighbors.KNeighborsClassifier(n_neighbors=5, n_jobs=1) # 分類 model = neighbors.KNeighborsRegressor(n_neighbors=5, n_jobs=1) # 回歸 """參數(shù) --- n_neighbors： 使用鄰居的數(shù)目 n_jobs：并行任務(wù)數(shù) """
4.7 多層感知機(jī)（神經(jīng)網(wǎng)絡(luò)）
from sklearn.neural_network import MLPClassifier
# 定義多層感知機(jī)分類算法
model = MLPClassifier(activation='relu', solver='adam', alpha=0.0001)
"""參數(shù)
---
hidden_layer_sizes: 元祖
activation：激活函數(shù)
solver ：優(yōu)化算法{‘lbfgs', ‘sgd', ‘a(chǎn)dam'}
alpha：L2懲罰(正則化項(xiàng))參數(shù)。
"""
5. 模型評(píng)估與選擇篇
5.1 交叉驗(yàn)證
from sklearn.model_selection import cross_val_score cross_val_score(model, X, y=None, scoring=None, cv=None, n_jobs=1) """參數(shù) --- model：擬合數(shù)據(jù)的模型 cv ： k-fold scoring: 打分參數(shù)-‘a(chǎn)ccuracy'、‘f1'、‘precision'、‘recall' 、‘roc_auc'、'neg_log_loss'等等 """
5.2 檢驗(yàn)曲線
使用檢驗(yàn)曲線，我們可以更加方便的改變模型參數(shù)，獲取模型表現(xiàn)。
from sklearn.model_selection import validation_curve train_score, test_score = validation_curve(model, X, y, param_name, param_range, cv=None, scoring=None, n_jobs=1) """參數(shù) --- model:用于fit和predict的對(duì)象 X, y: 訓(xùn)練集的特征和標(biāo)簽 param_name：將被改變的參數(shù)的名字 param_range： 參數(shù)的改變范圍 cv：k-fold 返回值 --- train_score: 訓(xùn)練集得分（array） test_score: 驗(yàn)證集得分（array） """
6. 保存模型
最后，我們可以將我們訓(xùn)練好的model保存到本地，或者放到線上供用戶使用，那么如何保存訓(xùn)練好的model呢？主要有下面兩種方式：
6.1 保存為pickle文件
import pickle
# 保存模型
with open('model.pickle', 'wb') as f:
pickle.dump(model, f)
# 讀取模型
with open('model.pickle', 'rb') as f:
model = pickle.load(f)
model.predict(X_test)
6.2 sklearn自帶方法
from sklearn.externals import joblib
# 保存模型
joblib.dump(model, 'model.pickle')
#載入模型
model = joblib.load('model.pickle')
以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
Python實(shí)現(xiàn)的json文件讀取及中文亂碼顯示問(wèn)題解決方法
這篇文章主要介紹了Python實(shí)現(xiàn)的json文件讀取及中文亂碼顯示問(wèn)題解決方法,涉及Python針對(duì)json文件的讀取載入、編碼轉(zhuǎn)換等相關(guān)操作技巧,需要的朋友可以參考下2018-08-08
這篇文章主要為大家詳細(xì)介紹了python中的getter與setter，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來(lái)幫助2022-03-03
Python除法保留兩位小數(shù)點(diǎn)的三種方法實(shí)現(xiàn)
這篇文章主要給大家介紹了關(guān)于Python除法保留兩位小數(shù)點(diǎn)的三種方法實(shí)現(xiàn),在py應(yīng)用中有許多拿結(jié)果中的多個(gè)整數(shù)進(jìn)行運(yùn)算,難免少不了除法(如單位換算等),但是整數(shù)進(jìn)行運(yùn)算后只會(huì)返回整數(shù)，一般結(jié)果基本需要精確到后兩位,需要的朋友可以參考下2023-08-08
Python隊(duì)列RabbitMQ 使用方法實(shí)例記錄
這篇文章主要介紹了Python隊(duì)列RabbitMQ 使用方法,結(jié)合實(shí)例形式分析了Python隊(duì)列RabbitMQ創(chuàng)建隊(duì)列發(fā)送消息與創(chuàng)建消費(fèi)者消費(fèi)信息相關(guān)操作技巧,需要的朋友可以參考下2019-08-08
淺談Python中文件夾和python package包的區(qū)別
這篇文章主要介紹了淺談Python中文件夾和python package包的區(qū)別，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-06-06
python連接clickhouse的端口問(wèn)題及解決
這篇文章主要介紹了python連接clickhouse的端口問(wèn)題及解決方案，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-05-05
摩爾斯電碼（ 又譯為摩斯密碼，英語(yǔ)：Morse code）是一種時(shí)通時(shí)斷的信號(hào)代碼，通過(guò)不同的排列順序來(lái)表達(dá)不同的英文字母、數(shù)字和標(biāo)點(diǎn)符號(hào)。本文將通過(guò)Python代碼來(lái)實(shí)現(xiàn)破解摩斯密碼，感興趣的可以學(xué)習(xí)一下2022-02-02
python繪制雙Y軸折線圖以及單Y軸雙變量柱狀圖的實(shí)例
今天小編就為大家分享一篇python繪制雙Y軸折線圖以及單Y軸雙變量柱狀圖的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-07-07
python pip安裝的包放在哪個(gè)目錄(site-packages目錄的位置)
這篇文章主要介紹了python pip安裝的包放在哪個(gè)目錄(site-packages目錄的位置),通常安裝在python安裝目錄下的lib/site-packages目錄下，本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2023-06-06
Matplotlib中%matplotlib inline如何使用
這篇文章主要介紹了Matplotlib中%matplotlib inline如何使用，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-07-07