机器学习 入门详细解析（一）开发流程\sklearn\k近邻算法\朴素贝叶斯算法\交叉验证

机器学习基础

• 算法是核心，数据和计算是基础

机器学习开发流程

机器学习模型是什么

• 定义：通过一种映射关系将输入值到输出值
  

机器学习算法分类 （监督学习，无监督学习）

• 监督学习

  • 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 (不做要求)

• 无监督学习

  • 聚类 k-means

• 区别

监督学习

• 可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值（称为回归），或是输出是有限个离散值（称作分类）。

无监督学习

• 可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。输入数据是由输入特征值所组成。

分类问题

• 分类是监督学习的一个核心问题，在监督学习中，当输出变量取有限个离散值时，预测问题变成为分类问题。最基础的便是二分类问题，即判断是非，从两个类别中选择一个作为预测结果；

分类问题的应用

• 分类在于根据其特性将数据“分门别类”，所以在许多领域都有广泛的应用
• 在银行业务中，构建一个客户分类模型，按客户按照贷款风险的大小进行分类
• 图像处理中，分类可以用来检测图像中是否有人脸出现，动物类别等
• 手写识别中，分类可以用于识别手写的数字
• 文本分类，这里的文本可以是新闻报道、网页、电子邮件、学术论文
• …

回归问题

• 回归是监督学习的另一个重要问题。回归用于预测输入变量和输出变量之间的关系，输出是连续型的值。

回归问题的应用

• 回归在多领域也有广泛的应用

• 房价预测，根据某地历史房价数据，进行一个预测

• 金融信息，每日股票走向

• …

sklearn 数据集

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

sklearn 数据集接口介绍

sklearn 数据集划分API

 sklearn.model_selection.train_test_split

sklearn.datasets
	加载获取流行数据集
	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

转化器和预估器

转换器

想一下之前做的特征工程的步骤？
1、实例化 (实例化的是一个转换器类(Transformer)) 
2、调用fit_transform(对于文档建立分类词频矩阵，不能同时调用)

• 转换器的作用：进行特征工程的父类（Transformer）调用：fit_transform来完成数据的处理

• fit_transform = fit + transform

• Fit(): Method calculates the parameters μ and σ and saves them as internal objects
  # 简单来说，就是求得训练集X的均值，方差，最大值，最小值,这些训练集X固有的属性。
  

• transform(): Method using these calculated parameters apply the transformation to a particular dataset.
  # 解释：在fit的基础上，进行标准化，降维，归一化等操作（看具体用的是哪个工具，如PCA，StandardScaler等）。
  

• fit_transform(): joins the fit() and transform() method for transformation of dataset.
  # 解释：fit_transform是fit和transform的组合，既包括了训练又包含了转换。
  # transform()和fit_transform()二者的功能都是对数据进行某种统一处理（比如标准化~N(0,1)，将数据缩放(映射)到某个固定区间，归一化，正则化等）
  

实例化过程中需要注意的点，训练集x_train使用fit_transform，而测试集只需要使用transform，不用fit(因为它需要统一方差，均值这些标准)

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
• 前面转换器我们有使用fit_transform和transform，而在预估器这里，我们只使用fit，而不用transform。
• 模型评估：
  • 方法1：直接比对真实值和预测值 y_predict = estimator.predict(x_test)
  • 方法2：计算准确率，计算分数 accuracy = estimator.score(x_test, y_test)

1、用于分类的估计器：

1. sklearn.neighbors k-近邻算法
2. sklearn.naive_bayes 贝叶斯
3. sklearn.linear_model.LogisticRegression 逻辑回归

2、用于回归的估计器：

1. •sklearn.linear_model.LinearRegression 线性回归
2. •sklearn.linear_model.Ridge 岭回归

估计器的工作流程

小结

传统机器学习算法流程

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。

• 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)

  • $$\surd ((a1-b1{)}^2+(a2-b2{)}^2+(a3-b3{)}^2)$$

sklearn k-近邻算法API

sklearn.neighbors.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)

算法实战：案例1 预测入住位置

实例流程

• 1、数据集的处理
• 2、分割数据集
• 3、对数据集进行标准化
• 4、estimator流程进行分类预测

数据处理方式

实例代码

from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
import pandas as pd

def knncls():
    """
    K-近邻预测用户签到位置
    :return:None
    """
    # 读取数据
    data = pd.read_csv("./data/FRelocation/train.csv/train.csv")

    # 处理数据
    # 1.缩小数据
    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)

    # 吧签到数量少于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()

    knn.fit(x_train, y_train)

    # 得出预测结果
    y_predict = knn.predict(x_train)

    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))

    return None

if __name__ == "__main__":
    knncls()

结果为

预测的目标签到位置为： [4932578245 6424972551 3312463746 ... 6399991653 7803770431 6766324666]
预测的准确率： 0.4061465721040189

k-近邻算法优缺点

• 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
• 使用场景：小数据场景，几千～几万样本，具体场景具体业务去测试

算法实战：案例12 通过k-近邻算法对生物物种进行分类——鸢尾花(load_iris)

实例代码

from sklearn.datasets import load_iris, fetch_20newsgroups, load_boston
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler

def knncls():
    """
    #通过k-近邻算法对生物物种进行分类——鸢尾花(load_iris)
    :return: None
    """
    li = load_iris()

    # 取出数据当中的特征值和目标值

    x = li["data"]
    y = li["target"]

    # 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 # 超参数
    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))

    return None

if __name__ == "__main__":
    knncls()

结果为

预测的目标签到位置为： [2 1 0 1 2 1 1 2 0 0 2 1 2 0 1 0 1 0 1 1 0 0 1 2 2 0 0 1 0 1 2 1 2 2 1 1 2 0]
预测的准确率： 0.8947368421052632

分类算法-朴素贝叶斯算法

概率基础

• 联合概率：包含多个条件，且所有条件同时成立的概率 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 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

• (│)=((│)())/(())
• 注：w为给定文档的特征值(频数统计,预测文档提供)，c为文档类别

公式可以理解为
$$P(C│F1,F2,\dots )=(P(F1,F2,\dots │C)P(C))/(P(F1,F2,\dots ))$$

• 其中c可以是不同类别

• P©：每个文档类别的概率(某文档类别词数／总文档词数)

• P(W│C)：给定类别下特征（被预测文档中出现的词）的概率

• 计算方法：P(F1│C)=Ni/N （训练文档中去计算）

  Ni为该F1词在C类别所有文档中出现的次数

  N为所属类别C下的文档所有词出现的次数和

举例

拉普拉斯平滑

• 问题：从上面的例子我们得到娱乐概率为0，这是不合理的，如果词频列表里面有很多出现次数都为0，很可能计算结果都为零

• 解决方法：拉普拉斯平滑系数

• Font metrics not found for font: .

• α为指定的系数一般为1，m为训练文档中统计出的特征词个数

sklearn朴素贝叶斯实现API

sklearn.naive_bayes.MultinomialNB(alpha = 1.0)
# alpha：拉普拉斯平滑系数

朴素贝叶斯算法案例

• sklearn20类新闻分类
• 20个新闻组数据集包含20个主题的18000个新闻组帖子

朴素贝叶斯案例流程

• 1、加载20类新闻数据，并进行分割
• 2、生成文章特征词
• 3、朴素贝叶斯estimator流程进行预估

实例代码

from sklearn.datasets import load_iris, fetch_20newsgroups, load_boston
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report

def naviebayes():
    """
    朴素贝叶斯进行文本分类
    :return: None
    """
    # 加载数据
    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

if __name__ == "__main__":
    naviebayes()

朴素贝叶斯分类优缺点

• 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。

分类模型的评估

estimator.score() #一般最常见使用的是准确率，即预测结果正确的百分比

混淆矩阵

精确率(Precision)与召回率(Recall)

其他分类标准，F1-score，反映了模型的稳健型

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
• 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。
• 

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。

• 

• 超参数搜索-网格搜索API

• 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
  
  

• K-近邻网格搜索案例

• from sklearn.model_selection import train_test_split, GridSearchCV
  from sklearn.neighbors import KNeighborsClassifier
  from sklearn.preprocessing import StandardScaler
  import pandas as pd
  
  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")
  
      # print(data.head(10))
  
      # 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')
  
      print(time_value)
  
      # 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)
  
      print(data)
  
      # 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()
  
      # 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
  
  if __name__ == "__main__":
      knncls()