机器学习基础算法2 - 机器学习算法概述及分类算法

• 机器学习算法分类

  监督学习：输入数据有特征也有标签值
  分类：k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
  回归：线性回归、岭回归
  标注：隐马尔可夫模型

  无监督学习：输入数据有特征但无标签值
  聚类：k-means

• 机器学习开发流程
  （1）收集原始数据，明确需解决问题
  （2）数据的基本处理（缺失值、合并等）
  （3）特征工程
  （4）找到合适的算法建立模型
  （5）模型的评估，判断效果
  （6）若效果不好，继续重复(3)、(4)、(5)步

• 机器学习数据集
  训练集：用于训练，构建模型
  测试集：用于检验，评估模型是否有效
  训练集：测试集 = 75%：25% （一般）
  数据集划分API：sklearn.model_selction.train_test_split

  from sklearn.datasets import load_iris
  from sklean.model_selection import tran_test_split
  
  li = load_iris()
  x_train, x_test, y_train, y_test = train_test_split(li.data, li.target, test_size=0.25)
  

---

• 转换器与估计器

  -1- 转换器

  

  from sklean.preprocessing import StandardScaler
  
  # 直接调用fit_transform
  s = StandardScaler()
  s.fit_transform([[1,2,3],[4,5,6]])
  
  # 先调用fit再调用transform
  ss = StandardScaler()
  ss.fit([[1,2,3],[4,5,6]])  # 根据导入数据计算相关参数
  ss.transform([[1,2,3],[4,5,6]])  # 代入参数完成转换
  

  -2- 估计器
  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

  用于回归的估计器：
  sklearn.Linear_model.LinearRegression 线性回归
  sklearn.linear_model.Ridge. 岭回归

  
  -3- 集成学习
  建立多个模型组合解决单一预测问题，原理是生成多个分类器或模型，分别独立的对结果进行预测，最后将各单预测结果组合为最终结果。

---

分类算法

• k-近邻算法（KNN） （sklearn.neighbors.KNeighborClassifier）
  利用新样本在特征空间中的k个最邻近的样本大多数属于的类别作为该新样本的类别。
  两个样本之间的距离可以用欧式距离计算，计算前需要进行标准化：
  

  from sklearn.model_selection import train_test_split, GridSearchCV
  from sklearn.neighbors import KNeighborsClassifier
  from sklearn.preprocessing import StandardScaler
  
  def knncls():
      """
      K-近邻预测用户签到位置
      :return:None
      """
      # 读取数据
      data = pd.read_csv("./data/FBlocation/train.csv")
  
      # 处理数据
      # 1、缩小数据,查询数据晒讯
      data = data.query("x > 1.0 &  x < 1.25 & y > 2.5 & y < 2.75")
  
      # 处理时间的数据
      time_value = pd.to_datetime(data['time'], unit='s')
  
      # 把日期格式转换成 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
  
      # 把时间戳特征删除
      data = data.drop(['time'], axis=1)
  
      # 把签到数量少于n个目标位置删除
      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)]
  
      # 取出数据当中的特征值和目标值
      y = data['place_id']
      x = data.drop(['place_id'], axis=1)
  
      # 进行数据的分割训练集合测试集
      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()
  
      # 对测试集和训练集的特征值进行标准化
      x_train = std.fit_transform(x_train)
  
      x_test = std.transform(x_test)
  
      # 进行算法流程 # 超参数
      knn = KNeighborsClassifier()
  
      # # fit， predict,score
      # knn.fit(x_train, y_train)
      #
      # # 得出预测结果
      # y_predict = knn.predict(x_test)
      #
      # print("预测的目标签到位置为：", y_predict)
      #
      # # 得出准确率
      # print("预测的准确率:", knn.score(x_test, y_test))
  
      # 构造一些参数的值进行搜索
      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：", gc.cv_results_)
  
      return None
  

  k值取值影响：
  k值取值很小：容易受异常点影响
  k值取值很大：容易受样本总体类别分布影响

  k近邻算法优缺点：
  优点： 简单，易于理解和实现，无需参数估计，无需训练
  缺点： 属于懒惰算法，计算量大，内存开销大。必须人为选择k值，分类精度很大程度取决于k值的选择。
  使用场景： 小数据场景

• 朴素贝叶斯 （sklearn.naive_bayes.MultinomialNB）
  前提： 特征相互独立
  基本原理： 利用贝叶斯公式求得给定特征下，目标分别为每一种类别的概率，取概率最大的类别作为预测结果。
  在求P(Fi|C)时，某些特征词容易求得出现概率为0，此时使用拉普拉斯平滑解决。
  

  from sklearn.feature_extraction.text import TfidfVectorizer
  from sklearn.naive_bayes import MultinomialNB
  from sklearn.metrics import classification_report
  	
  def naivebayes():
      """
      朴素贝叶斯进行文本分类
      :return: None
      """
      news = fetch_20newsgroups(subset='all')
  
      # 进行数据分割
      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
  

  朴素贝叶斯优缺点：
  优点： 源于古典数学理论，有稳定的分类效率；对缺失数据不敏感，算法简单，无需调参，常用于文本分类；分类精确度高，速度较快。
  缺点： 使用了样本特征间相互独立的假设，在假设不满足时，即特征间相互关联时效果不好。

• 决策树

• 信息论

  （1）信息熵H：单位为比特bit，反应不确定性和混乱程度。信息和消除不确定性是相关联的
  
  （2） 信息增益
  因得知特征A，使得集合D的信息熵的不确定性减少。
  
  （3）决策树特征选择原则
  ID3：信息增益最大原则
  C4.5：信息增益比最大原则
  CART：回归树 - 平方误差最小，分类数 - 基尼系数最小

• 决策树（sklearn.tree.DecisionTreeClassifier）

  def decision():
      """
      决策树对泰坦尼克号进行预测生死
      :return: None
      """
      # 获取数据
      titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")
  
      # 处理数据，找出特征值和目标值
      x = titan[['pclass', 'age', 'sex']]
  
      y = titan['survived']
  
      print(x)
      # 缺失值处理
      x['age'].fillna(x['age'].mean(), inplace=True)
  
      # 分割数据集到训练集合测试集
      x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
  
      # 进行处理（特征工程）特征-》类别-》one_hot编码
      dict = DictVectorizer(sparse=False)
  
      x_train = dict.fit_transform(x_train.to_dict(orient="records"))
  
      print(dict.get_feature_names())
  
      x_test = dict.transform(x_test.to_dict(orient="records"))
  
      # 用决策树进行预测
      dec = DecisionTreeClassifier(max_depth = 10)
      
      dec.fit(x_train, y_train)
      
      # # 预测准确率
      print("预测的准确率：", dec.score(x_test, y_test))
      
      # 导出决策树的结构
      export_graphviz(dec, out_file="./tree.dot", feature_names=['年龄', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', '女性', '男性'])
  

  决策树优缺点：
  优点： 易于理解和解释，可以可视化；需要的数据准备很少，不需要归一化等操作。
  缺点： 易发生过拟合
  改进： 剪枝cart算法、随机森林

• 随机森林 （sklearn.ensemble.RandomForestClassifier
  随机森林是有多个决策树组成的集成学习方法，其返回结果为所有决策树结果的多数。
  
  随机不放回抽样：保证每个决策树的训练集不同，以平均的方式减小预测的方差，消除各决策树的有偏性。
  超参数：树的棵树，树的深度，最大特征数等。

  

  from sklearn.ensemble import RandomForestClassifier
  
  # 随机森林进行预测 （超参数调优）
  rf = RandomForestClassifier()
  
  param = {
         "n_estimators": [120, 200, 300, 500, 800, 1200], "max_depth": [5, 8, 15, 25, 30]}
  
  # 网格搜索与交叉验证
  gc = GridSearchCV(rf, param_grid=param, cv=2)
  
  gc.fit(x_train, y_train)
      
  print("准确率：", gc.score(x_test, y_test))
  
  print("查看选择的参数模型：", gc.best_params_)
  
  return None
  
  

  随机森林优缺点：
  优点： 可同时处理分类或数值特征，具有极好的准确率；适用于大数据集（样本数大、特征数大）；不需要降维，能够确定不同特征的重要性。
  缺点： 计算成本高，学习时间长，如训练数据中存在噪声，容易发生过拟合。

---

• 分类模型的评估（sklearn.metrics.classification_report）
  1. 准确率 (estimator.score())
  2. 混淆矩阵 (Confusion Matrix)
  3. 精确率 (precision) 和召回率 (recall)
  
  4. 稳健性 (F1-score)
  

• 模型选择与评优

1. 交叉验证 (Cross Validation)
   将数据等分为n份，其中一份作为验证集，其余作为训练集。进行n次模型训练，每次选择不同的验证集，得到n组实验结果，以这些结果的均值作为最终结果，又称为n则交叉验证。
   
2. 网格搜索 (Grid Search) / 超参数搜索 （sklearn.model_selection.GridSearchCV）
   模型中需要人工选择的参数 称为超参数 (hyperparameter)。超参数的选择可以通过网格搜索来实现，对每组超参数进行交叉验证（一般为十折交叉验证），取结果最好的一组超参数作为最终选择的超参数。