AI | 第2章 机器学习算法 - sklearn 分类算法

---

前言

仅供参考

---

1. sklearn 的转换器和估计器

1.1 转换器

• 特征工程的步骤：实例化一个转换器类(Transformer）、调用 fit_transform() 方法；
• 把特征工程的接口称之为转换器，其中转换器调用有这么几种形式：
  • fit_transform：fit 与 transform 的合成；
  • fit：进行列计算（例如标准化：求 mean）；
  • transform：最终转换（例如标准化：求 (x-mean)/std）；

1.2 估计器

• 作用：sklearn 机器学习算法的实现；
• sklearn 拥有的估计器：
  • 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；
  • 用于回归的估计器：
    • sklearn.linear_model.LinearRegression 线性回归；
    • sklearn.linear_model.Ridge 岭回归；
  • 用于无监督学习的估计器：
    • sklearn.cluster.KMeans 聚类；
• 步骤：
  • 实例化一个 estimator；
  • 调用 estimator.fit(x_train, y_train) 方法计算，调用完毕模型生成；
  • 模型评估：直接比对预测值与真实值、计算准确率 estimator.score(x_test, y_test)；
• 工作流程：
  

2. K-近邻算法（KNN 算法）

2.1 概述

• 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；
• 距离公式：欧式距离 $r=\sqrt{(a_1-b_1{)}^2+(a_2-b_2{)}^2+(a_3-b_3{)}^2}$
  • 其他：曼哈顿距离（绝对值距离）、明科夫斯基距离 minkowski；
• 问题：
  • K 值取得过小，容易受到异常点影响；
  • K 值取得过大，会有样本不均匀的影响；
  • 需要先进行无量钢化处理-标准化；
• 优点：
  • 简单，易于理解，易于实现，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；
• 应用场景：小数据场景，几千～几万样本，具体场景具体业务去测试；

2.2 应用

• 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）

*Code1 KNN 算法代码示例

def knn_iris():
    # 1.获取数据
    iris = load_iris()
    print(iris)
    # 2.划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)
    print(x_train)
    print(x_test)
    print(y_train)
    print(y_test)
    # 3.特征工程：标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test) #测试集使用训练集的数据（平均值）等进行标准化
    # 4.KNN 算法预估器
    estimator = KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train, y_train)
    # 5.模型评估
    # 方法一：直接比对预测值与真实值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("y_test:\n", y_test)
    print("预测值与真实值比对：\n",  y_predict == y_test)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    return None

3. 模型选择与调优

3.1 交叉验证 cross validation

• 目的：为了让被评估的模型更加准确可信；
• 定义：将拿到的训练数据，分为训练和验证集。以下图为例：将数据分成 4 份，其中一份作为验证集。然后经过 4 次(组)的测试，每次都更换不同的验证集。即得到 4 组模型的结果，取平均值作为最终结果。又称 4 折交叉验证。

3.2 超参数搜索-网格搜索 Grid Search

• 超参数：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；
• 网格搜索：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；
• 模型选择与调优：
  • 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：
      • bestscore：在交叉验证中验证的最好结果；
      • bestestimator：最好的参数模型；
      • cvresults：每次交叉验证后的验证集准确率结果和训练集准确率结果；

*Code2 网格搜索代码示例

def knncls():
    # 一、处理数据以及特征工程
    # 1、读取收
    data = pd.read_csv("../resources/p01_machine_learning_sklearn/FBlocation/train.csv")

    # 2、数据处理
    # 1）数据逻辑筛选操作，缩小数据的范围 df.query()
    data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")
    # 2）处理时间特征
    time_value = pd.to_datetime(data["time"], unit="s")
    date = pd.DatetimeIndex(time_value)
    data["day"] = date.day
    data["weekday"] = date.weekday
    data["hour"] = date.hour
    # 3）删除入住次数少于三次位置
    place_count = data.groupby('place_id').count()["row_id"]
    tf = place_count[place_count > 3].index.values
    data_final = data[data['place_id'].isin(tf)]

    # 3、取出特征值和目标值
    y = data_final['place_id']
    # y = data[['place_id']]
    x = data_final[["x","y","accuracy","day","weekday","hour"]]

    # 4、数据分割与特征工程
    # （1）、数据分割
    x_train, x_test, y_train, y_test = train_test_split(x, y)
    # (2)、标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)  # 测试集使用训练集的数据（平均值）等进行标准化
    # (3).KNN 算法预估器
    estimator = KNeighborsClassifier()
    # 4.1 加入网格搜索与交叉验证
    param_dict = {"n_neighbors": [3, 5, 7, 9]}
    estimator = GridSearchCV(estimator, param_grid=param_dict, cv=3)
    estimator.fit(x_train, y_train)
    # (4).模型评估
    # 方法一：直接比对预测值与真实值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("y_test:\n", y_test)
    print("预测值与真实值比对：\n", y_predict == y_test)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    # 最佳参数 best_params_
    print("最佳参数：\n", estimator.best_params_)
    # 最佳结果 best_score_
    print("最佳结果：\n", estimator.best_score_)
    # 最佳估计器 best_estimator_
    print("最佳估计器：\n", estimator.best_estimator_)
    # 交叉验证结果 cv_results_
    print("交叉验证结果：\n", estimator.cv_results_)

    return None

4. 朴素贝叶斯算法

4.1 联合概率、条件概率与相互独立

• 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(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)
• 相互独立：如果 P(A,B) = P(A)P(B)，则称事件 A 与事件 B 相互独立；

4.2 朴素 + 贝叶斯公式

• 朴素：假设特征与特征之间是相互独立的；
• 公式：

$$P(C|W)=\frac{P(W|C)P(C)}{P(W)}$$

$$P(C|F1,F2,...)=\frac{P(F1,F2,...|C)P(C)}{P(F1,F2,...)}$$

• 应用场景：文本分类；
• 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，所以如果特征属性有关联时其效果不好；

4.3 朴素贝叶斯算法在文本分类中的应用

• 公式分为三个部分：
  • P(C )：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；
• 问题：样本数量少时可能会出现概率为 0 的情况。解决：引入拉普拉斯平滑系数；

4.3.1 拉普拉斯平滑系数

• 目的：防止计算出的分类概率为 0；
• 公式：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；

$$P(F_1|C)=\frac{N_i+\alpha }{N+\alpha m}$$

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

*Code3 朴素贝叶斯算法代码示例

def nb_cls():
    # 1.获取新闻的数据
    news = fetch_20newsgroups(subset='all')
    # 2.进行数据集分割
    x_train, x_test, y_train, y_test = train_test_split(news.data, news.target,test_size=0.3)
    # 3.对于文本数据，进行特征抽取
    transfer = TfidfVectorizer()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)

    # 4.estimator估计器流程，朴素贝叶斯算法
    mlb = MultinomialNB(alpha=1.0)
    mlb.fit(x_train, y_train)
    # 5.进行预测
    y_predict = mlb.predict(x_test)
    print("预测每篇文章的类别：", y_predict[:100])
    print("真实类别为：", y_test[:100])
    print("预测准确率为：", mlb.score(x_test, y_test))
    return None

5. 决策树

5.1 概述

• 信息是为了消除不确定性；
• 信息的衡量用信息熵；
• 信息和消除不确定性是相联系的；
• 信息熵单位为比特；
• 信息增益表示得知特征 X 的信息而息的不确定性减少的程度使得类 Y 的信息熵减少的程度；
• 决策树划分的依据是信息增益；

5.2 信息熵、信息增益与条件熵

• 信息熵公式：C_k 表示属于某个类别的样本数；

$$H(X)=-\sum _{ri=1}^n(P(x_i)\ast lo{g}_{b}P(x_i))$$

$$H(D)=-\sum _{k=1}^K\frac{|C_k|}{|D|}log\frac{|C_k|}{|D|}$$

• 信息增益公式：

$$g(D,A)=H(D)-H(D|A)$$

• 条件熵公式：（信息熵 - 条件熵）

$$H(D|A)=\sum _{i=1}^n\frac{|D_i|}{D}H(D_i)=-\sum _{i=1}^n\frac{|D_i|}{|D|}\sum _{k=1}^K\frac{|D_{ik}|}{|D_i|}log\frac{|D_{ik}|}{|D_i|}$$

• 示例：

5.3 决策树概述

• 优点：
  • 简单的理解和解释，树木可视化；
• 缺点：
  • 决策树学习者可以创建不能很好地推广数据的过于复杂的树，这被称为过拟合；
• 改进：
  • 减枝 cart 算法（决策树 API 当中已经实现，随机森林参数调优有相关介绍）；
  • 随机森林；
• 注：企业重要决策，由于决策树很好的分析能力，在决策过程应用较多， 可以选择特征；

5.4 决策树的三种算法实现

• 三种算法：

  • ID3：
    • 信息增益，最大的准则；
  • C4.5：
  • 信息增益比，最大的准则；

• CART：

  • 分类树：基尼系数 最小的准则，在 sklearn 中可以选择划分的默认原则；
  • 优势：划分更加细致；

• API：class sklearn.tree.DecisionTreeClassifier(criterion=’gini’,max_depth=None,random_state=None)

  • 决策树分类器；
  • criterion：默认是’gini’系数，也可以选择信息增益的熵’entropy’；
  • max_depth：树的深度大小；
  • random_state：随机数种子；

• 其中会有些超参数：max_depth：树的深度大小；

  • 其它超参数会结合随机森林；

*Code4 决策树代码示例

def decision_iris():
    # 1.获取数据集
    iris = load_iris()
    # 2.划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)
    # 3.决策树预估器
    estimator = DecisionTreeClassifier(criterion="entropy")
    estimator.fit(x_train, y_train)
    # 4.模型评估
    # 方法一：直接比对预测值与真实值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("y_test:\n", y_test)
    print("预测值与真实值比对：\n",  y_predict == y_test)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)
    return None

5.5 决策树的可视化

• API：sklearn.tree.export_graphviz() 该函数能够导出 DOT 格式；
  • tree.export_graphviz(estimator,out_file='tree.dot’,feature_names=[‘’,’’])
• 工具：(能够将dot文件转换为pdf、png)
  • 安装 graphviz：ubuntu:sudo apt-get install graphviz Mac:brew install graphviz
  • 或者网站：
    • http://webgraphviz.com/
    • http://dreampuf.github.io/GraphvizOnline/
• 运行命令：
  • 然后运行命令:dot -Tpng tree.dot -o tree.png

*Code5 可视化决策树代码示例

export_graphviz(estimator, out_file="iris_tree.dot", feature_names=iris.feature_names)

6. 集成学习方法 - 随机森林

6.1 概述

• 集成学习方法：通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测；
• 随机森林：在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定；
• 特点：
  • 在当前所有算法中，具有极好的准确率；
  • 能够有效地运行在大数据集上，处理具有高维特征的输入样本，而且不需要降维；
  • 能够评估各个特征在分类问题上的重要性；

6.2 随机森林原理过程

• 两个随机：
  • 训练集随机：BootStrap 随机有放回抽样；
    • N 个样本中随机有放回的抽样 N 个；
  • 特征随机：
    • 从 M 个特征中随机抽取 m 个特征，M >> m；（降维效果）
• 为什么采用 BootStrap 抽样：
  • 为什么要随机抽样训练集：
    • 如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的；
  • 为什么要有放回地抽样：
    • 如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决；
• API：class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)
  • 随机森林分类器；
  • n_estimators：integer，optional（default = 10）森林里的树木数量 120,200,300,500,800,1200；
  • criteria：string，可选（default =“gini”）分割特征的测量方法；
  • max_depth：integer或None，可选（默认=无）树的最大深度 5,8,15,25,30；
  • max_features="auto”,每个决策树的最大特征数量；
    • If “auto”, then max_features=sqrt(n_features) ；
    • If “sqrt”, then max_features=sqrt(n_features) (same as “auto”)；
    • If “log2”, then max_features=log2(n_features) ；
    • If None, then max_features=n_features .
  • bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样；
  • min_samples_split：节点划分最少样本数；
  • min_samples_leaf：叶子节点的最小样本数；
• 超参数：n_estimator, max_depth, min_samples_split,min_samples_lea

*Code6 随机森林代码示例

def random_iris():
    # 1.获取数据集
    iris = load_iris()
    # 2.划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)
    # 3.随机森林预估器
    estimator = RandomForestClassifier(criterion="entropy", max_depth=8)
    estimator.fit(x_train, y_train)
    # 4.模型评估
    # 方法一：直接比对预测值与真实值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("y_test:\n", y_test)
    print("预测值与真实值比对：\n",  y_predict == y_test)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)
    return None

---

最后

新人制作，如有错误，欢迎指出，感激不尽！ 如需转载，请标注出处！