机器学习开发应用步骤的理解

1.数据采集和标记

先采集数据，再将数据进行标记
作用：尽可能多的采集的不同的数据，防止出现偶然性，使得采集到的数据具有代表性，才能保证最终训练出来的模型的准确性。

2.特征选择

选择合适的特征，将数据保存为样本个数×特征个数格式的array对象。

3.数据清洗

在采集数据完后，对数据进行数据清洗，即把采集到的、不适合用来做机器学习训练的数据进行预处理，从而转化为适合机器学习的数据。
作用：防止在训练数据特征的时候计算量过大。为了减少计算量，也为了模型的稳定性。

4.模型选择

对于不同的数据集，选择不同的模型有不同的效率。因此在选择模型要考虑很多的因素，从众多的因素中找到一个最适合模型，同时这个模型要使结果模拟评分达到最高。

5.模型训练

在进行模型训练之前，要将数据集划分为训练数据集和测试数据集，再利用划分好的数据集进行模型训练，最后得到我们训练出来的模型参数。

6.模型测试

用上面训练出来的模型预测测试数据集，然后将预测出来的结果与真正的结果进行比较，最后比较出来的结果即为模型的准确度。

7.模型保存与加载

当我们训练出一个满意的模型后可以将模型进行保存，这样当我们再一次需要使用此模型时可以直接利用此模型进行预测，不用再一次进行模型训练。

8.实例（手写数字识别）

1)数据采集和标记
导入包

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np

加载数据。scikit-learn自带了一些数据集，其中有手写数字识别图片的数据，利用datasets模块中的函数load_digits()进行数据加载。

from sklearn import datasets
digits=datasets.load_digits()

把数据所表示的图片用Mathplotlib显示出来：

# 把数据所代表的图片显示出来
images_and_labels=list(zip(digits.images,digits.target))
plt.figure(figsize=(8,6),dpi=200)
for index,(image,label) in enumerate(images_and_labels[:8]):
    plt.subplot(2,4,index+1)
    plt.axis('off')
    plt.imshow(image,cmap=plt.cm.gray_r,interpolation='nearest')
    plt.title('Digit:%i'%label,fontsize=20)

2)特征选择

# 数据已经转换保存在digits.data数据里
print("shape of raw image data:{0}".format(digits.images.shape))#原始的数据图片格式
print("shape of data:{0}".format(digits.data.shape))

shape of raw image data:(1797, 8, 8)
shape of data:(1797, 64)

3)模型训练
先将数据集分为训练数据集和测试数据集

# 把数据分成训练数据集和测试数据集
# 将数据集分出%20作为测试数据集
from sklearn.model_selection import train_test_split
Xtrain,Xtest,Ytrain,Ytest=train_test_split(digits.data,digits.target,test_size=0.20,random_state=2)

训练模型

# 使用支持向量机来训练模型
# 训练完成后，clf对象就会包含我们训练出来的模型参数，可以使用这个模型对象来进行预测。
from sklearn import svm
clf=svm.SVC(gamma=0.0010,C=100.)
# 使用训练数据集Xtrain和Ytrain来训练模型
clf.fit(Xtrain,Ytrain);

4)模型测试

# 评估模型的准确度(此处默认为true，直接返回正确的比例，也就是模型的准确度)
from sklearn.metrics import accuracy_score
# predict是训练后返回预测结果，是标签值。
Ypred = clf.predict(Xtest);
accuracy_score(Ytest, Ypred)

0.9777777777777777

用训练出来的clf预测测试数据集，评估模型的准确度。

# 用训练出来的模型clf预测测试数据集
clf.score(Xtest,Ytest)

0.9777777777777777

还可以直接把测试数据集里的部分图片显示出来。

# 查看预测情况
# 在图片的左下角显示预测值，右下角显示真实值。
fig,axes=plt.subplots(4,4,figsize=(8,8))
fig.subplots_adjust(hspace=0.1,wspace=0.1)
for i,ax in enumerate(axes.flat):
    ax.imshow(Xtest[i].reshape(8,8),cmap=plt.cm.gray_r,interpolation='nearest')
    ax.text(0.05,0.05,str(Ypred[i]),fontsize=32,
            transform=ax.transAxes,
            color='green'if Ypred[i]==Ytest[i] else 'red')
    ax.text(0.8,0.05,str(Ytest[i]),fontsize=32,
            transform=ax.transAxes,
            color='black')
    ax.set_xticks([])
    ax.set_yticks([])

5)模型保存与加载
保存模型

# 保存模型参数
import joblib
# from sklearn.externals import joblib 导入报错
joblib.dump(clf, 'digits_svm.pkl');

加载模型

# 导入模型参数，直接进行预测
clf = joblib.load('digits_svm.pkl')
Ypred = clf.predict(Xtest);
clf.score(Xtest, Ytest)

0.9777777777777777