深度之眼（二十三）——Python：Sklearn库

零、导读

scikit-learn库是当今最流行的机器学习算法库之一
可用来解决分类与回归问题
本章以鸢尾花数据集为例，简单了解八大传统机器学习分类算法的sk-learn实现
欲深入了解传统机器算法的原理和公式推导，请继续学习《统计学习方法》或《西瓜书》

一、数据集的预处理（鸢尾花数据集为例）

（1）下载数据集

iris = sns.load_dataset("iris")
iris.head()

（2）查看数据集

sns.pairplot(data=iris,hue="species")

（3）标签清洗

iris_sip = iris.drop(["sepal_length","sepal_width"],axis=1)
iris_sip.head()

（4）标签编码

from sklearn.preprocessing import LabelEncoder
encoder = LabelEncoder()
iris_sip["species"] = encoder.fit_transform(iris_sip["species"])
iris_sip

（5）数据集的标准化

（6）构建训练集和测试集
80% 是训练集
20% 是测试集
将x和y分开

二、八大传统分类算法

2.1 K邻近

[1]基本思想
与待预测点最近的训练数据集中的k个邻居
把k个近邻中最常见的类别预测为带预测点的类别

（5）可视化

2.2 朴素贝叶斯

[1]基本思想
当X=(x1, x2)发生的时候，哪一一个yk发生的概率最大

可视化

2.3 决策树

[1]基本思想
CART算法:每次通过一个特征，将数据尽可能的分为纯净的两类,递归的分下去

如果全部分开，会过拟合

可视化

2.4 逻辑回归

[1]基本思想
一种解释:
训练:通过一个映射方式,将特征X= (x1, x2)映射成P(y=ck),求使得所有概率之积最大化的映射方式里的参数
预测:计算p(y=ck) 取概率最大的那个类别作为预测对象的分类

2.5 支持向量机

[1]基本思想
以二分类为例，假设数据可用完全分开:
用一个超平面将两类数据完全分开，且最近点到平面的距离最大

2.6 集成方法

2.6.1 随机森林

[1]基本思想
训练集m,有放回的随机抽取m个数据,构成一组，共抽取n组采样集
n组采样集训练得到n个弱分类器弱分类器-般用决策树或神经网络
将n个弱分类器进行组合得到强分类器

方法跟上面一样

2.6.2 Adaboost

[1]基本思想
训练集m,用初始数据权重训练得到第一个弱分类器， 根据误差率计算弱分类器系数，更新数据的权重
使用新的权重训练得到第二个弱分类器，以此类推
根据各自系数，将所有弱分类器加权求和获得强分类器

2.6.3 梯度提升树GBDT

[1]基本思想
训练集m,获得第一个弱分类歇，获得残差，然后不断地拟合残差
所有弱分类器相加得到强分类器

三、大杀器

[1] xgboost

GBDT的损失函数只对误差部分做负梯度(- -阶泰勒)展开
XGBoost损失函数对误差部分做二阶泰勒展开,更加准确，更快收敛

[2] lightgbm

微软:快速的，分布式的，高性能的基于决策树算法的梯度提升框架
速度更快

[3] stacking

堆叠或者叫模型融合
先建立几个简单的模型进行训练，第二级学习器会基于前级模型的预测结果进行再训练

[4]神经网络

自己看看网络文章吧

四、总结