Chapter 4 k-近邻算法与朴素贝叶斯

k-近邻算法

k-近邻定义

  • 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)
    Chapter 4 k-近邻算法与朴素贝叶斯_第1张图片

k-近邻算法

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

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,查询数据筛选
    data.query('x>1.0 & x<1.25 & y>2.5 & y<2.75')  #data.query()查询语句,data是DataFrame
    #2.处理时间数据
    time_value=pd.to_datetime(data['time'],unit='s')
    #3.将日期函数转换为字典
    time_value=pd.DatetimeIndex(time_value)
    #3.构造一些特征
    data['day']=time_value.day
    data['hour']=time_value.hour
    data['weekday']=time_value.weekday
    #4.删除时间戳特征
    data=data.drop(['time'],axis=1)  #sklearn中0表示列,pandas在1表示列
    #将签到数量少于n个目标位置删除
    place_count = data.groupby('place_id').count()#按照place_id将数据分组,再求和,索引为place_count
    tf = place_count[place_count.row_id > 3].reset_index()#reset_index()将place_count重新变为一列,索引就变为012……
    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和测试集
    x_train, x_test, y_train, y_test=train_test_split(x,y,test_size=0.25)

    #特征工程(对特征值进行标准化)
    std=StandardScaler()
    x_train=std.fit_transform(x_train)
    x_test=std.transform(x_test)  #不需要fit,因为上面已经计算了均值和标准差
    #进行算法流程
    knn=KNeighborsClassifier(n_neighbors=5)

    #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:',y_predict)
    #得出准确率
    print('预测的准确率',knn.score(x_test,y_test))
if __name__=='__main__':
    knncls()

k-近邻的优缺点

(1)k值大小
k值取很小:容易受异常点影响
k值取很大:容易受最近数据太多导致比例变化
(2)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。
k-近邻算法实现:加快搜索速度——基于算法的改进KDTree,API接口里面有实现

朴素贝叶斯

相关知识点

  • 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)
    特性:P(AB)=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(即“朴素”)
  • 朴素贝叶斯-贝叶斯公式
    Chapter 4 k-近邻算法与朴素贝叶斯_第2张图片

拉普拉斯平滑系数:
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
Chapter 4 k-近邻算法与朴素贝叶斯_第3张图片

朴素贝叶斯算法

从 sklearn.naive_bayes中导入MultinomialNB
sklearn.naive_bayes.MultinomialNB(alpha = 1.0)

from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
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(特征值、目标值)
    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的统计
    x_train=tf.fit_transform(x_train)
    x_test=tf.transform(x_test)
    #进行朴素贝叶斯算法的预测
    mlt=MultinomialNB(alpha=1.0)
    mlt.fit(x_train,y_train)
    y_predict=mlt.predict(x_test)
    print('预测文章类别为:',y_predict)
    print('准确率为:',mlt.score(x_test,y_test))
if __name__=='__main__':
    naviebayes()

朴素贝叶斯的优缺点

(1)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
(2)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。
由于是假设相互独立,所以出现相关的话效果就不好。

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)。
    Chapter 4 k-近邻算法与朴素贝叶斯_第4张图片

评估标准

为精确率(Precision)和召回率(Recall)
精确率(了解即可):预测结果为正例样本中真实为正例的比例(查得准)
Chapter 4 k-近邻算法与朴素贝叶斯_第5张图片

召回率(熟悉):真实为正例的样本中预测结果为正例的比例(查的全,对正样本的区分能力)TP/(TP+FN)
Chapter 4 k-近邻算法与朴素贝叶斯_第6张图片

分类模型评估API

从sklearn.metrics导入classification_report
sklearn.metrics.classification_report(y_true, y_pred, target_names=None)
y_true:真实目标值
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

from sklearn.datasets import fetch_20newsgroups
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(特征值、目标值)
	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的统计
    x_train=tf.fit_transform(x_train)
    x_test=tf.transform(x_test)
    #进行朴素贝叶斯算法的预测
    mlt=MultinomialNB(alpha=1.0)
    mlt.fit(x_train,y_train)
    y_predict=mlt.predict(x_test)
	#查看精确率和召回率
	print('精确率、召回率为:',classification_report(y_test,y_predict,target_names=news.target_names))
if __name__=='__main__':
    naviebayes()

模型选择与调优

交叉验证过程

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。
Chapter 4 k-近邻算法与朴素贝叶斯_第7张图片

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。
使用GridSearchCV:
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

from sklearn.model_selection import GridSearchCV
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,查询数据筛选
    data.query('x>1.0 & x<1.25 & y>2.5 & y<2.75')  #data.query()查询语句,data是DataFrame
    #2.处理时间数据
    time_value=pd.to_datetime(data['time'],unit='s')
    #3.将日期函数转换为字典
    time_value=pd.DatetimeIndex(time_value)
    #3.构造一些特征
    data['day']=time_value.day
    data['hour']=time_value.hour
    data['weekday']=time_value.weekday
    #4.删除时间戳特征
    data=data.drop(['time'],axis=1)  #sklearn中0表示列,pandas在1表示列
    #将签到数量少于n个目标位置删除
    place_count = data.groupby('place_id').count()#按照place_id将数据分组,再求和,索引为place_count
    tf = place_count[place_count.row_id > 3].reset_index()#reset_index()将place_count重新变为一列,索引就变为012……
    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和测试集
    x_train, x_test, y_train, y_test=train_test_split(x,y,test_size=0.25)

    #特征工程(对特征值进行标准化)
    std=StandardScaler()
    x_train=std.fit_transform(x_train)
    x_test=std.transform(x_test)  #不需要fit,因为上面已经计算了均值和标准差

    #进行算法流程
    knn=KNeighborsClassifier()

    #构造一些参数的值进行搜素
    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('在测试集上的准确率:',gc.score(x_test,y_test))
    print('在交叉验证中最好的结果:',gc.best_score_)
    print('选择最好的模型:',gc.best_estimator_)
    print('每个超参数每次交叉验证的结果:',gc.cv_results_)
if __name__=='__main__':
    knncls()

你可能感兴趣的:(机器学习算法基础,近邻算法,机器学习,python,朴素贝叶斯)