机器学习概述

机器学习开发流程

  • 原始数据
  • 明确问题做什么,建立模型的过程(根据数据类型划分应用种类)
  • 数据的基本处理(pandas,处理缺失值,表合并。。。)
  • 特征工程(特征进行处理)
  • 找到合适的算法进行预测
  • 模型的评估(模型:算法+数据),判定效果
  • 上线使用----以API形式提供

机器学习算法分类

  • 算法是核心,数据和计算是基础

  • 算法判别依据

  • 数据类型

    • 离散型数据:由记录不同类别个体的数目所得到的数据,又称计数数据,所以有这些数据全部都是整数,而且不能再细分,也不能进一步提高它的精确度。
    • 连续型数据:变量可以在某个范围内取任一数,即变量的取值可以是连续的。如,长度、时间、质量值等,这类整数通常是非整数,含有小数部分。
    • 注意:只要记住一点,离散型是区间内不可分,连续型是区间内可分。
  • 算法分类

    • 监督学习(预测)
      • 特征值+目标值
      • 分类:目标值离散型
      • 概念: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
        • K-近邻算法
        • 贝叶斯分类
        • 决策树
        • 随机森林
        • 逻辑回归
        • 神经网络
      • 回归:目标值连续型
      • 概念:回归时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。
        • 线性回归
        • 岭回归
      • 注:隐马尔可夫模型
    • 无监督学习
      • 特征值
      • 聚类
        • K-means

sklearn数据集

  • scikit-learn数据集API介绍
    • 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feature_names
      • target_names:标签名
    • fit_transform(X):输入数据直接转换

    • fit():输入数据,但不做事情

    • transform():进行数据的转换

    • fit_transform() = fit() + transform()

  • 1,数据集划分

    • 训练集:建立模型

    • 测试集:评估模型是否有效

    • sklearn数据集划分API

      • sklearn.model_selection.train_test_split
      • 数据集进行分割
    • sklearn分类数据集

      • sklearn.datasets.load_iris()
        • 加载并返回鸢尾花数据集
      • sklearn.datasets.load_digits()
        • 加载并返回数字数据集
    • sklearn回归数据集

      • sklearn.datasets.load_boston()
        • 加载并返回波士顿房价数据集
      • sklearn.datasets.load_diabetes()
        • 加载和返回糖尿病数据集
    • sklearn.model_selection.train_test_split(*arrays,**options)

      • x 数据集的特征值
      • y 数据集的标签值
      • test_size 测试集的大小,一般为float
      • random_state 随机数种子,不同的种子会造成不同的随机采样结果。相同的种子采样结果相同。
      • return 训练集特征值,测试集特征值,训练标签,测试标签(默认随机取)
    • 用于分类的大数据集

      • sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’)
        • subset:‘train’或者’test’,‘all’,可选,选择要加载的数据集,训练集的‘训练’,测试集的‘测试’,两者的‘全部’。
      • datasets.clear_data_home(data_home=None)
        • 清楚目录下的数据
  • 2,sklearn数据集接口

  • 3,sklearn分类数据集

  • 4,sklearn回归数据集

sklearn机器学习算法实现-估计器

  • 在sklearn中,估计器(estimastor)是一个重要的角色,是一类实现了算法的API

  • 1,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
    • sklearn.tree 决策树与随机森林
  • 2,用于回归的估计器

    • sklearn.linear_model.LinearRegression 线性回归
    • sklearn.linear_model.Ridge 岭回归
  • 估计器使用流程

    • 1,调用fit(),参数是训练集数据:fit(x_train,y_train)
    • 2,输入与测试集数据(x_test,y_test)
  • 1,y_predict = predict(X_test)

  • 2,预测的准确率:socre(X_test,y_test)

分类算法-K近邻算法(KNN)

  • 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

  • 来源:KNN算法最早是由Cover和Hart提出的一种分类算法

  • 计算距离公式

    • 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)
    • 在这里插入图片描述
    • 相似的样本,特征之间的值应该都是相近的
    • K-近邻算法:需要做标准化处理
    • 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’},可选用于计算最近领居的算法:'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)。

        • 在KNN算法实现实例中需要注意

          • 数据处理

            • 1,缩小数据集范围:DataFrame.query()

            • 2,怎么处理日期数据:pd.to_datetime,pd.DatetimeIndex

            • 3,增加分割的日期数据

            • 4,删除没用的日期数据:DataFrame.drop

            • 5,将签到位置少于n个用户的删除

              • place_count = data.groupby(‘place_id’).count() 以place_id分组并统计次数

              • tf = place_count[place_count.row_id > 3].reset_index()

              • data = data[data[‘place_id’].isin(tf.place_id)]

        • 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:
            • 1,懒惰算法,对测试样本分类时的计算量大,内存开销大
            • 2,必须指定K值,K值选择不当则分类精确度不能保证
          • 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

KNN算法

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,查询数据筛选
    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()

    # # 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=10)

    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()

分类算法-朴素贝叶斯算法

  • 朴素贝叶斯使用场景:特征独立

  • 朴素贝叶斯公式

  • 机器学习概述_第1张图片

  • 公式分为三部分:

    • P©:每个文档类别的概率(某文档类别数/总文档数量)
    • 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
    • P(F1,F2,…) 预测文档中每个词的概率
  • 拉普拉斯平滑系数

    • 解决词频列表里很多出现次数为0的现象。
    • 公式:P(F1|C) = (Ni+a)/(N+am)
      • a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

联合概率和条件概率

  • 联合概率:包含多个条件,且所有条件同时成立的概率

    • 记作:P(A,B): P(A,B)=P(A)P(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

    • 记作: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

sklearn朴素贝叶斯实现API

  • sklearn.naive_bayes.MultinomialNB

  • MultinomialNB函数

    • sklearn.naive_bayes.MultinomialNB(alpha=1.0)
      • 朴素贝叶斯分类
      • alpha:拉普拉斯平滑系数
  • 注意:

    • 训练集误差大的化,它的结果肯定不好。
    • 不需要调参
  • 朴素贝叶斯分类的优缺点

    • 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:
      • 由于使用了样本属性独立性的假设,所以如果样本属性有关联时其效果不好。

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

  • 在分类任务下,预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合,构成混淆矩阵(适用于多分类)

  • 引出评估标准

    • 准确率
    • 精确率和召回率
  • 分类模型评估API

  • sklearn.metrics.classification_report(y_true,y_pred,target_names=None)

    • y_true:真实的目标值
    • y_pred:估计器预测目标值
    • target_names:目标类别名称
    • return:每个类别精确率与召回率

模型的选择与调优

  • 1,交叉验证
    • 所有数据分成n等分,求平均模型结果
    • [外链图片转存失败(img-9tbadnUW-1562536973273)(/Users/mac/Desktop/spider/机器学习/机器学习概述/2.jpeg)]
    • 目的:为了让被评估的模型更加准确可信
  • 2,超参数搜索-网格搜索
    • 调参数----K-近邻

    • 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。但是手动过程很复杂,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_:在交叉验证中验证的最好结果
        • 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

朴素贝叶斯

from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
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:
    '''
    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
    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()

你可能感兴趣的:(python,机器学习)