EduCoder上的Python机器学习小记

Python机器学习软件包Scikit-Learn的学习与运用

scikit-learn 是一个整合了经典的机器学习算法，与 Numpy、Scipy、Matplotlib 紧密结合的 Python 科学计算包，能简单有效的用于数据挖掘和数据分析。
scikit-learn 包含多个模块，应用场景包括数据分类、回归问题、聚类问题、数据降维、模型选择以及数据预处理等，功能强大，简单高效。

实训目标
    本实训旨在，让学习者熟练掌握 scikit-learn 包的使用。

先修知识
    本实训项目假设，你已经掌握了初步的 Python 程序设计基础知识。

实训知识点
    数据集的导入与使用
    数据预处理
    文本特征提取
    训练模型及预测
    模型持久化
    模型评估

题目链接：
https://www.educoder.net/shixuns/h7bcf5m8/challenges)

第1关：使用scikit-learn导入数据集

任务描述
使用 scikit-learn 的datasets模块导入 iris 数据集，并打印数据。
####相关知识
scikit-learn 包括一些标准数据集，不需要从外部下载，可直接导入使用，比如与分类问题相关的Iris数据集和digits手写图像数据集，与回归问题相关的波士顿房价数据集。
以下列举一些简单的数据集，括号内表示对应的问题是分类还是回归：

#加载并返回波士顿房价数据集（回归）
load_boston([return_X_y])
#加载并返回iris数据集（分类）
load_iris([return_X_y])
#加载并返回糖尿病数据集（回归）
load_diabetes([return_X_y])
#加载并返回数字数据集（分类）
load_digits([n_class, return_X_y])
#加载并返回linnerud数据集（多分类）
load_linnerud([return_X_y])
这些标准数据集采用类字典的对象格式存储,比如.data表示原始数据，是一个(n_samples,n_features)二维数组，通过.shape可以得到二维数组大小，.target表示存储数据类别即标签。
下面我们将利用datasets加载数据集digits作为示例，如下图所示：

在命令行输入python进入 Python 终端，>>>表示 Python 终端提示符，输入 Python 命令即可执行。y[:5]表示标签的前 5 个数据。

编程要求
本关任务是，使用 scikit-learn 的datasets模块导入iris数据集，提取前 5 条原数据、前 5 条数据标签及原数据的数组大小。
请按照编程要求，补全右侧编辑器Begin-End区间的代码。

测试说明
本关的测试文件是step1/testImportData.py，该代码负责对你的实现代码进行测试，注意step1/testImportData.py 不能被修改，该测试代码具体如下：

import importData
X,y,X_shape = importData.getIrisData()
print(X)
print(y)
print(X_shape)

具体代码：

from sklearn import datasets
def getIrisData():

    '''
    导入Iris数据集

    返回值：
    X - 前5条训练特征数据
    y - 前5条训练数据类别
    X_shape - 训练特征数据的二维数组大小
    '''
    #初始化
    X = [] 
    y = [] 
    X_shape = () 

    #   请在此添加实现代码   #
    #********** Begin *********#
    digits = datasets.load_iris()
    X = digits.data
    y = digits.target
    X_shape = X.shape
    X = X[:5]
    y = y[:5]
    
    #********** End **********#

    return X,y,X_shape

第2关：数据预处理 — 标准化

编程要求
本关任务希望对于 California housing 数据集进行标准化转换。
代码中已通过fetch_california_housing函数加载好了数据集 California housing 数据集包含 8 个特征，分别是[‘MedInc’, ‘HouseAge’, ‘AveRooms’, ‘AveBedrms’, ‘Population’, ‘AveOccup’, ‘Latitude’, ‘Longitude’]，可通过dataset.feature_names访问数据具体的特征名称，通过在上一关卡的学习，相信大家对于原始数据的查看应该比较熟练了，在这里不过多说明。

本次任务只对 California housing 数据集中的两个特征进行操作，分别是第 1 个特征 MedInc，其数据服从长尾分布；第 6 个特征 AveOccup，数据中包含大量离群点。

本关分成为几个子任务：
1.使用 MinMaxScaler 对特征数据 X 进行标准化转换，并返回转换后的特征数据的前 5 条；

2.使用 scale 对目标数据 y 进行标准化转换，并返回转换后的前 5 条数据；

3.使用 StandardScaler 对特征数据 X 的进行标准化转换，并返回转换后的均值和缩放比例值。

具体代码：

from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import scale
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import fetch_california_housing
'''
Data descrption:
The data contains 20,640 observations on 9 variables.
This dataset contains the average house value as target variable
and the following input variables (features): average income,
housing average age, average rooms, average bedrooms, population,
average occupation, latitude, and longitude in that order.
dataset : dict-like object with the following attributes:
    dataset.data : ndarray, shape [20640, 8]
        Each row corresponding to the 8 feature values in order.
    dataset.target : numpy array of shape (20640,)
        Each value corresponds to the average house value in units of 100,000.
    dataset.feature_names : array of length 8
        Array of ordered feature names used in the dataset.
    dataset.DESCR : string
        Description of the California housing dataset.
'''
dataset = fetch_california_housing("./step4/")
X_full, y = dataset.data, dataset.target
#抽取其中两个特征数据
X = X_full[:, [0, 5]]
def getMinMaxScalerValue():
    '''
    对特征数据X进行MinMaxScaler标准化转换，并返回转换后的数据前5条
    返回值:
    X_first5 - 数据列表
    '''
    X_first5 = []
    #   请在此添加实现代码   #
    # ********** Begin *********#
    min_max_scaler = MinMaxScaler()
    X_train_minmax = min_max_scaler.fit_transform(X)
    X_first5 =  X_train_minmax[:5]


    # ********** End **********#
    return X_first5
def getScaleValue():
    '''
        对目标数据y进行简单scale标准化转换，并返回转换后的数据前5条
        返回值:
        y_first5 - 数据列表
        '''
    y_first5 = []
    #   请在此添加实现代码   #
    # ********** Begin *********#
    y_scaled = scale(y)
    y_first5 = y_scaled[:5]

    # ********** End **********#
    return y_first5
def getStandardScalerValue():
    '''
    对特征数据X进行StandardScaler标准化转换，并返回转换后的数据均值和缩放比例
    返回值:
    X_mean - 均值
    X_scale - 缩放比例值
    '''
    X_mean = None
    X_scale = None
    #   请在此添加实现代码   #
    #********** Begin *********#
    scaler = StandardScaler().fit(X)
    X_mean = scaler.mean_
    X_scale = scaler.scale_

    #********** End **********#
    return X_mean,X_scale

第3关：文本数据特征提取

编程要求
本关任务，希望分别使用 CountVectorizer 和 TfidfVectorizer 对新闻文本数据进行特征提取，并验证提取是否正确。

数据介绍：

采用fetch_20newsgroups("./step5/",subset=‘train’, categories=categories)函数加载对应目录的新闻数据，subset='train’指定采用的是该数据的训练集，categories 指定新闻目录，具体的函数调用可参考官方文档fetch_20newsgroups。X 是一个 string 数组，包含 857 个新闻文档。

本关具体分成为几个子任务：

1.使用 CountVectorizer 方法提取新闻数据的特征向量，返回词汇表大小和前五条特征向量；

2.使用 TfidfVectorizer 方法得到新闻数据的词汇-特征向量映射关系，指定使用内建的英文停止词列表作为停止词，并且词出现的最小频数等于 2。然后，将向量化转换器应用到新的测试数据。

具体代码：

from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer


categories = [
    'alt.atheism',
    'talk.religion.misc',
]

# 加载对应目录的新闻数据，包含857 个文档
data = fetch_20newsgroups("./step5/",subset='train', categories=categories)
X = data.data

def transfer2CountVector():
    '''
    使用CountVectorizer方法提取特征向量，返回词汇表大小和前五条特征向量

    返回值:
    vocab_len - 标量，词汇表大小
    tokenizer_list - 数组，对测试字符串test_str进行分词后的结果
    '''

    vocab_len = 0

    test_str = "what's your favorite programming language?"
    tokenizer_list = []

    #   请在此添加实现代码   #
    # ********** Begin *********#
    vectorizer = CountVectorizer()
    vectorizer.fit(X)
    analyze = vectorizer.build_analyzer()
    tokenizer_list = analyze(test_str)
    vocab_len = len(vectorizer.vocabulary_)

    # ********** End **********#

    return vocab_len,tokenizer_list

def transfer2TfidfVector():
    '''
        使用TfidfVectorizer方法提取特征向量，并将向量化转换器应用到新的测试数据

        TfidfVectorizer()方法的参数设置：
        min_df = 2,stop_words="english"

        test_data - 需要转换的原数据

        返回值:
        transfer_test_data - 二维数组ndarray
        '''

    test_data = ['Once again, to not believe in God is different than saying\n>I BELIEVE that God does not exist. I still maintain the position, even\n>after reading the FAQs, that strong atheism requires faith.\n>\n \nNo it in the way it is usually used. In my view, you are saying here that\ndriving a car requires faith that the car drives.\n \nFor me it is a conclusion, and I have no more faith in it than I have in the\npremises and the argument used.\n \n \n>But first let me say the following.\n>We might have a language problem here - in regards to "faith" and\n>"existence". I, as a Christian, maintain that God does not exist.\n>To exist means to have being in space and time. God does not HAVE\n>being - God IS Being. Kierkegaard once said that God does not\n>exist, He is eternal. With this said, I feel it\'s rather pointless\n>to debate the so called "existence" of God - and that is not what\n>I\'m doing here. I believe that God is the source and ground of\n>being. When you say that "god does not exist", I also accept this\n>statement - but we obviously mean two different things by it. However,\n>in what follows I will use the phrase "the existence of God" in it\'s\n>\'usual sense\' - and this is the sense that I think you are using it.\n>I would like a clarification upon what you mean by "the existence of\n>God".\n>\n \nNo, that\'s a word game. The term god is used in a different way usually.\nWhen you use a different definition it is your thing, but until it is\ncommonly accepted you would have to say the way I define god is ... and\nthat does not exist, it is existence itself, so I say it does not exist.\n \nInterestingly, there are those who say that "existence exists" is one of\nthe indubitable statements possible.\n \nFurther, saying god is existence is either a waste of time, existence is\nalready used and there is no need to replace it by god, or you are implying\nmore with it, in which case your definition and your argument so far\nare incomplete, making it a fallacy.\n \n \n(Deletion)\n>One can never prove that God does or does not exist. When you say\n>that you believe God does not exist, and that this is an opinion\n>"based upon observation", I will have to ask "what observtions are\n>you refering to?" There are NO observations - pro or con - that\n>are valid here in establishing a POSITIVE belief.\n(Deletion)\n \nWhere does that follow? Aren\'t observations based on the assumption\nthat something exists?\n \nAnd wouldn\'t you say there is a level of definition that the assumption\n"god is" is meaningful. If not, I would reject that concept anyway.\n \nSo, where is your evidence for that "god is" is meaningful at some level?\n   Benedikt\n']
    transfer_test_data = None

    #   请在此添加实现代码   #
    # ********** Begin *********#
    tfidf_vertor = TfidfVectorizer(min_df=2, stop_words="english")
    tfidf_vertor.fit(X)
    transfer_test_data = tfidf_vertor.transform(test_data).toarray()


    # ********** End **********#

    return transfer_test_data

第4关：使用scikit-learn分类器SVM对digits数据分类

任务描述
采用 scikit-learn 中的 svm 模型，训练一个对 digits 数据集进行分类的模型。
####相关知识
在 scikit-learn 中，对于分类问题的估计器是一个实现了fit(X, y) 和predict(T)方法的 Python 对象。估计器的实例很多，例如实现了支持向量分类的类sklearn.svm.svc。估计器的结构可以通过初始化模型时设置的参数决定，但目前，我们将估计器看做一个黑盒子，先不关心具体的参数设置。
digits 数据集中包含大量的数字图片，如下图所示，我们希望给定其中的一张图片，能识别图中代表的数字，这是一个分类问题，数字 0…9 代表十个分类，目标是希望能正确估计图中样本属于哪一个数字类别。

本关要求采用 scikit-learn 中的 svm 模型，训练一个对 digits 数据集进行分类的模型。训练集是 digits 数据集的前半部分数据，测试集是 digits 数据集的后半部分数据。根据要求，补全右侧编辑器Begin-End区间的代码。

具体代码：

import matplotlib.pyplot as plt

# 导入数据集，分类器相关包
from sklearn import datasets, svm, metrics

# 导入digits数据集
digits = datasets.load_digits()
n_samples = len(digits.data)
data = digits.data

# 使用前一半的数据集作为训练数据，后一半数据集作为测试数据
train_data,train_target = data[:n_samples // 2],digits.target[:n_samples // 2]
test_data,test_target = data[n_samples // 2:],digits.target[n_samples // 2:]


def createModelandPredict():
    '''
    创建分类模型并对测试数据预测

    返回值：
    predicted - 测试数据预测分类值
    '''
    predicted = None
    #   请在此添加实现代码   #
    #********** Begin *********#
    classfier = svm.SVC()
    classfier.fit(train_data, train_target)
    predicted = classfier.predict(test_data)
    
    #********** End **********#

    return predicted

小结

通过这样子的训练深入了解了python的机器学习的一些入门级知识，对python代码的编写风格有了更多理解