Python之Sklearn使用入門教程

更新時(shí)間：2021年02月19日 16:35:46 作者：謂之小一

這篇文章主要介紹了Python之Sklearn使用入門教程，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

1.Sklearn簡(jiǎn)介

Scikit-learn(sklearn)是機(jī)器學(xué)習(xí)中常用的第三方模塊，對(duì)常用的機(jī)器學(xué)習(xí)方法進(jìn)行了封裝，包括回歸(Regression)、降維(Dimensionality Reduction)、分類(Classfication)、聚類(Clustering)等方法。當(dāng)我們面臨機(jī)器學(xué)習(xí)問(wèn)題時(shí)，便可根據(jù)下圖來(lái)選擇相應(yīng)的方法。Sklearn具有以下特點(diǎn)：

簡(jiǎn)單高效的數(shù)據(jù)挖掘和數(shù)據(jù)分析工具
讓每個(gè)人能夠在復(fù)雜環(huán)境中重復(fù)使用
建立NumPy、Scipy、MatPlotLib之上

2.Sklearn安裝

Sklearn安裝要求Python(>=2.7 or >=3.3)、NumPy (>= 1.8.2)、SciPy (>= 0.13.3)。如果已經(jīng)安裝NumPy和SciPy，安裝scikit-learn可以使用pip install -U scikit-learn。

3.Sklearn通用學(xué)習(xí)模式

Sklearn中包含眾多機(jī)器學(xué)習(xí)方法，但各種學(xué)習(xí)方法大致相同，我們?cè)谶@里介紹Sklearn通用學(xué)習(xí)模式。首先引入需要訓(xùn)練的數(shù)據(jù)，Sklearn自帶部分?jǐn)?shù)據(jù)集，也可以通過(guò)相應(yīng)方法進(jìn)行構(gòu)造，4.Sklearn datasets中我們會(huì)介紹如何構(gòu)造數(shù)據(jù)。然后選擇相應(yīng)機(jī)器學(xué)習(xí)方法進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中可以通過(guò)一些技巧調(diào)整參數(shù)，使得學(xué)習(xí)準(zhǔn)確率更高。模型訓(xùn)練完成之后便可預(yù)測(cè)新數(shù)據(jù)，然后我們還可以通過(guò)MatPlotLib等方法來(lái)直觀的展示數(shù)據(jù)。另外還可以將我們已訓(xùn)練好的Model進(jìn)行保存，方便移動(dòng)到其他平臺(tái)，不必重新訓(xùn)練。

from sklearn import datasets#引入數(shù)據(jù)集,sklearn包含眾多數(shù)據(jù)集
from sklearn.model_selection import train_test_split#將數(shù)據(jù)分為測(cè)試集和訓(xùn)練集
from sklearn.neighbors import KNeighborsClassifier#利用鄰近點(diǎn)方式訓(xùn)練數(shù)據(jù)

###引入數(shù)據(jù)###
iris=datasets.load_iris()#引入iris鳶尾花數(shù)據(jù),iris數(shù)據(jù)包含4個(gè)特征變量
iris_X=iris.data#特征變量
iris_y=iris.target#目標(biāo)值
X_train,X_test,y_train,y_test=train_test_split(iris_X,iris_y,test_size=0.3)#利用train_test_split進(jìn)行將訓(xùn)練集和測(cè)試集進(jìn)行分開(kāi)，test_size占30%
print(y_train)#我們看到訓(xùn)練數(shù)據(jù)的特征值分為3類
'''
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]
 '''

###訓(xùn)練數(shù)據(jù)###
knn=KNeighborsClassifier()#引入訓(xùn)練方法
knn.fit(X_train,y_train)#進(jìn)行填充測(cè)試數(shù)據(jù)進(jìn)行訓(xùn)練

###預(yù)測(cè)數(shù)據(jù)###
print(knn.predict(X_test))#預(yù)測(cè)特征值
'''
[1 1 1 0 2 2 1 1 1 0 0 0 2 2 0 1 2 2 0 1 0 0 0 0 0 0 2 1 0 0 0 1 0 2 0 2 0
 1 2 1 0 0 1 0 2]
'''
print(y_test)#真實(shí)特征值
'''
[1 1 1 0 1 2 1 1 1 0 0 0 2 2 0 1 2 2 0 1 0 0 0 0 0 0 2 1 0 0 0 1 0 2 0 2 0
 1 2 1 0 0 1 0 2]
'''

4.Sklearn datasets

Sklearn提供一些標(biāo)準(zhǔn)數(shù)據(jù)，我們不必再?gòu)钠渌W(wǎng)站尋找數(shù)據(jù)進(jìn)行訓(xùn)練。例如我們上面用來(lái)訓(xùn)練的load_iris數(shù)據(jù)，可以很方便的返回?cái)?shù)據(jù)特征變量和目標(biāo)值。除了引入數(shù)據(jù)之外，我們還可以通過(guò)load_sample_images()來(lái)引入圖片。

除了sklearn提供的一些數(shù)據(jù)之外，還可以自己來(lái)構(gòu)造一些數(shù)據(jù)幫助我們學(xué)習(xí)。

from sklearn import datasets#引入數(shù)據(jù)集
#構(gòu)造的各種參數(shù)可以根據(jù)自己需要調(diào)整
X,y=datasets.make_regression(n_samples=100,n_features=1,n_targets=1,noise=1)

###繪制構(gòu)造的數(shù)據(jù)###
import matplotlib.pyplot as plt
plt.figure()
plt.scatter(X,y)
plt.show()

5.Sklearn Model的屬性和功能

數(shù)據(jù)訓(xùn)練完成之后得到模型，我們可以根據(jù)不同模型得到相應(yīng)的屬性和功能，并將其輸出得到直觀結(jié)果。假如通過(guò)線性回歸訓(xùn)練之后得到線性函數(shù)y=0.3x+1，我們可通過(guò)_coef得到模型的系數(shù)為0.3，通過(guò)_intercept得到模型的截距為1。

from sklearn import datasets
from sklearn.linear_model import LinearRegression#引入線性回歸模型

###引入數(shù)據(jù)###
load_data=datasets.load_boston()
data_X=load_data.data
data_y=load_data.target
print(data_X.shape)
#(506, 13)data_X共13個(gè)特征變量

###訓(xùn)練數(shù)據(jù)###
model=LinearRegression()
model.fit(data_X,data_y)
model.predict(data_X[:4,:])#預(yù)測(cè)前4個(gè)數(shù)據(jù)

###屬性和功能###
print(model.coef_)
'''
[ -1.07170557e-01  4.63952195e-02  2.08602395e-02  2.68856140e+00
 -1.77957587e+01  3.80475246e+00  7.51061703e-04 -1.47575880e+00
  3.05655038e-01 -1.23293463e-02 -9.53463555e-01  9.39251272e-03
 -5.25466633e-01]
'''
print(model.intercept_)
#36.4911032804
print(model.get_params())#得到模型的參數(shù)
#{'copy_X': True, 'normalize': False, 'n_jobs': 1, 'fit_intercept': True}
print(model.score(data_X,data_y))#對(duì)訓(xùn)練情況進(jìn)行打分
#0.740607742865

6.Sklearn數(shù)據(jù)預(yù)處理

數(shù)據(jù)集的標(biāo)準(zhǔn)化對(duì)于大部分機(jī)器學(xué)習(xí)算法來(lái)說(shuō)都是一種常規(guī)要求，如果單個(gè)特征沒(méi)有或多或少地接近于標(biāo)準(zhǔn)正態(tài)分布，那么它可能并不能在項(xiàng)目中表現(xiàn)出很好的性能。在實(shí)際情況中,我們經(jīng)常忽略特征的分布形狀，直接去均值來(lái)對(duì)某個(gè)特征進(jìn)行中心化，再通過(guò)除以非常量特征(non-constant features)的標(biāo)準(zhǔn)差進(jìn)行縮放。

例如, 許多學(xué)習(xí)算法中目標(biāo)函數(shù)的基礎(chǔ)都是假設(shè)所有的特征都是零均值并且具有同一階數(shù)上的方差(比如徑向基函數(shù)、支持向量機(jī)以及L1L2正則化項(xiàng)等)。如果某個(gè)特征的方差比其他特征大幾個(gè)數(shù)量級(jí)，那么它就會(huì)在學(xué)習(xí)算法中占據(jù)主導(dǎo)位置，導(dǎo)致學(xué)習(xí)器并不能像我們說(shuō)期望的那樣，從其他特征中學(xué)習(xí)。例如我們可以通過(guò)Scale將數(shù)據(jù)縮放，達(dá)到標(biāo)準(zhǔn)化的目的。

from sklearn import preprocessing
import numpy as np
a=np.array([[10,2.7,3.6],
      [-100,5,-2],
      [120,20,40]],dtype=np.float64)
print(a)
print(preprocessing.scale(a))#將值的相差度減小
'''
[[ 10.   2.7  3.6]
 [-100.   5.  -2. ]
 [ 120.  20.  40
[[ 0.     -0.85170713 -0.55138018]
 [-1.22474487 -0.55187146 -0.852133 ]
 [ 1.22474487 1.40357859 1.40351318]]
'''

我們來(lái)看下預(yù)處理前和預(yù)處理預(yù)處理后的差別，預(yù)處理之前模型評(píng)分為0.511111111111，預(yù)處理后模型評(píng)分為0.933333333333，可以看到預(yù)處理對(duì)模型評(píng)分有很大程度的提升。

from sklearn.model_selection import train_test_split
from sklearn.datasets.samples_generator import make_classification
from sklearn.svm import SVC
import matplotlib.pyplot as plt

###生成的數(shù)據(jù)如下圖所示###
plt.figure
X,y=make_classification(n_samples=300,n_features=2,n_redundant=0,n_informative=2,       random_state=22,n_clusters_per_class=1,scale=100)
plt.scatter(X[:,0],X[:,1],c=y)
plt.show()

###利用minmax方式對(duì)數(shù)據(jù)進(jìn)行規(guī)范化###
X=preprocessing.minmax_scale(X)#feature_range=(-1,1)可設(shè)置重置范圍
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
clf=SVC()
clf.fit(X_train,y_train)
print(clf.score(X_test,y_test))
#0.933333333333
#沒(méi)有規(guī)范化之前我們的訓(xùn)練分?jǐn)?shù)為0.511111111111,規(guī)范化后為0.933333333333,準(zhǔn)確度有很大提升

7.交叉驗(yàn)證

交叉驗(yàn)證的基本思想是將原始數(shù)據(jù)進(jìn)行分組，一部分做為訓(xùn)練集來(lái)訓(xùn)練模型，另一部分做為測(cè)試集來(lái)評(píng)價(jià)模型。交叉驗(yàn)證用于評(píng)估模型的預(yù)測(cè)性能，尤其是訓(xùn)練好的模型在新數(shù)據(jù)上的表現(xiàn)，可以在一定程度上減小過(guò)擬合。還可以從有限的數(shù)據(jù)中獲取盡可能多的有效信息。

機(jī)器學(xué)習(xí)任務(wù)中，拿到數(shù)據(jù)后，我們首先會(huì)將原始數(shù)據(jù)集分為三部分：訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集用于訓(xùn)練模型，驗(yàn)證集用于模型的參數(shù)選擇配置，測(cè)試集對(duì)于模型來(lái)說(shuō)是未知數(shù)據(jù)，用于評(píng)估模型的泛化能力。不同的劃分會(huì)得到不同的最終模型。

以前我們是直接將數(shù)據(jù)分割成70%的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，現(xiàn)在我們利用K折交叉驗(yàn)證分割數(shù)據(jù)，首先將數(shù)據(jù)分為5組，然后再?gòu)?組數(shù)據(jù)之中選擇不同數(shù)據(jù)進(jìn)行訓(xùn)練。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

###引入數(shù)據(jù)###
iris=load_iris()
X=iris.data
y=iris.target

###訓(xùn)練數(shù)據(jù)###
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
#引入交叉驗(yàn)證,數(shù)據(jù)分為5組進(jìn)行訓(xùn)練
from sklearn.model_selection import cross_val_score
knn=KNeighborsClassifier(n_neighbors=5)#選擇鄰近的5個(gè)點(diǎn)
scores=cross_val_score(knn,X,y,cv=5,scoring='accuracy')#評(píng)分方式為accuracy
print(scores)#每組的評(píng)分結(jié)果
#[ 0.96666667 1.     0.93333333 0.96666667 1.    ]5組數(shù)據(jù)
print(scores.mean())#平均評(píng)分結(jié)果
#0.973333333333

那么是否n_neighbor=5便是最好呢，我們來(lái)調(diào)整參數(shù)來(lái)看模型最終訓(xùn)練分?jǐn)?shù)。

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import cross_val_score#引入交叉驗(yàn)證
import matplotlib.pyplot as plt
###引入數(shù)據(jù)###
iris=datasets.load_iris()
X=iris.data
y=iris.target
###設(shè)置n_neighbors的值為1到30,通過(guò)繪圖來(lái)看訓(xùn)練分?jǐn)?shù)###
k_range=range(1,31)
k_score=[]
for k in k_range:
  knn=KNeighborsClassifier(n_neighbors=k)
  scores=cross_val_score(knn,X,y,cv=10,scoring='accuracy')#for classfication
  k_score.append(scores.mean())
plt.figure()
plt.plot(k_range,k_score)
plt.xlabel('Value of k for KNN')
plt.ylabel('CrossValidation accuracy')
plt.show()
#K過(guò)大會(huì)帶來(lái)過(guò)擬合問(wèn)題,我們可以選擇12-18之間的值

我們可以看到n_neighbor在12-18之間評(píng)分比較高，實(shí)際項(xiàng)目之中我們可以通過(guò)這種方式來(lái)選擇不同參數(shù)。另外我們還可以選擇2-fold Cross Validation,Leave-One-Out Cross Validation等方法來(lái)分割數(shù)據(jù)，比較不同方法和參數(shù)得到最優(yōu)結(jié)果。

我們將上述代碼中的循環(huán)部分改變一下，評(píng)分函數(shù)改為neg_mean_squared_error，便得到對(duì)于不同參數(shù)時(shí)的損失函數(shù)。

for k in k_range:
  knn=KNeighborsClassifier(n_neighbors=k)
  loss=-cross_val_score(knn,X,y,cv=10,scoring='neg_mean_squared_error')# for regression
  k_score.append(loss.mean())

8.過(guò)擬合問(wèn)題

什么是過(guò)擬合問(wèn)題呢？例如下面這張圖片，黑色線已經(jīng)可以很好的分類出紅色點(diǎn)和藍(lán)色點(diǎn)，但是在機(jī)器學(xué)習(xí)過(guò)程中，模型過(guò)于糾結(jié)準(zhǔn)確度，便形成了綠色線的結(jié)果。然后在預(yù)測(cè)測(cè)試數(shù)據(jù)集結(jié)果的過(guò)程中往往會(huì)浪費(fèi)很多時(shí)間并且準(zhǔn)確率不是太好。

我們先舉例如何辨別overfitting問(wèn)題。Sklearn.learning_curve中的learning curve可以很直觀的看出Model學(xué)習(xí)的進(jìn)度，對(duì)比發(fā)現(xiàn)有沒(méi)有過(guò)擬合。

from sklearn.model_selection import learning_curve
from sklearn.datasets import load_digits
from sklearn.svm import SVC
import matplotlib.pyplot as plt
import numpy as np

#引入數(shù)據(jù)
digits=load_digits()
X=digits.data
y=digits.target

#train_size表示記錄學(xué)習(xí)過(guò)程中的某一步,比如在10%,25%...的過(guò)程中記錄一下
train_size,train_loss,test_loss=learning_curve(
  SVC(gamma=0.1),X,y,cv=10,scoring='neg_mean_squared_error',
  train_sizes=[0.1,0.25,0.5,0.75,1]
)
train_loss_mean=-np.mean(train_loss,axis=1)
test_loss_mean=-np.mean(test_loss,axis=1)

plt.figure()
#將每一步進(jìn)行打印出來(lái)
plt.plot(train_size,train_loss_mean,'o-',color='r',label='Training')
plt.plot(train_size,test_loss_mean,'o-',color='g',label='Cross-validation')
plt.legend('best')
plt.show()

如果我們改變gamma的值，那么會(huì)改變相應(yīng)的Loss函數(shù)。損失函數(shù)便在10左右停留，此時(shí)便能直觀的看出過(guò)擬合。

下面我們通過(guò)修改gamma參數(shù)來(lái)修正過(guò)擬合問(wèn)題。

from sklearn.model_selection import validation_curve#將learning_curve改為validation_curve
from sklearn.datasets import load_digits
from sklearn.svm import SVC
import matplotlib.pyplot as plt
import numpy as np
#引入數(shù)據(jù)
digits=load_digits()
X=digits.data
y=digits.target

#改變param來(lái)觀察Loss函數(shù)情況
param_range=np.logspace(-6,-2.3,5)
train_loss,test_loss=validation_curve(
  SVC(),X,y,param_name='gamma',param_range=param_range,cv=10,
  scoring='neg_mean_squared_error'
)
train_loss_mean=-np.mean(train_loss,axis=1)
test_loss_mean=-np.mean(test_loss,axis=1)

plt.figure()
plt.plot(param_range,train_loss_mean,'o-',color='r',label='Training')
plt.plot(param_range,test_loss_mean,'o-',color='g',label='Cross-validation')
plt.xlabel('gamma')
plt.ylabel('loss')
plt.legend(loc='best')
plt.show()

通過(guò)改變不同的gamma值我們可以看到Loss函數(shù)的變化情況。從圖中可以看到，如果gamma的值大于0.001便會(huì)出現(xiàn)過(guò)擬合的問(wèn)題，那么我們構(gòu)建模型時(shí)gamma參數(shù)設(shè)置應(yīng)該小于0.001。

9.保存模型

我們花費(fèi)很長(zhǎng)時(shí)間用來(lái)訓(xùn)練數(shù)據(jù)，調(diào)整參數(shù)，得到最優(yōu)模型。但如果改變平臺(tái)，我們還需要重新訓(xùn)練數(shù)據(jù)和修正參數(shù)來(lái)得到模型，將會(huì)非常的浪費(fèi)時(shí)間。此時(shí)我們可以先將model保存起來(lái)，然后便可以很方便的將模型遷移。

from sklearn import svm
from sklearn import datasets

#引入和訓(xùn)練數(shù)據(jù)
iris=datasets.load_iris()
X,y=iris.data,iris.target
clf=svm.SVC()
clf.fit(X,y)

#引入sklearn中自帶的保存模塊
from sklearn.externals import joblib
#保存model
joblib.dump(clf,'sklearn_save/clf.pkl')

#重新加載model，只有保存一次后才能加載model
clf3=joblib.load('sklearn_save/clf.pkl')
print(clf3.predict(X[0:1]))
#存放model能夠更快的獲得以前的結(jié)果