1、sklearn数据集与估计器
2、分类算法-k近邻算法
3、k-近邻算法实例
4、分类模型的评估
5、分类算法-朴素贝叶斯算法
6、朴素贝叶斯算法实例
7、模型的选择与调优
8、决策树与随机森林
1、sklearn数据集与估计器
数据集的划分
数据的训练模型和评估模型不能用同一个数据集,所以要把数据划成两部分:
75%:25%是经验后比较好的数据集的划分
训练集用来建立模型;测试集用来评估模型。不同的算法评估的模型方法会不一样。
机器学习一般的数据集会划分为两个部分:
训练数据:用于训练,构建模型
测试数据:在模型检验时使用,用于评估模型是否有效
sklearn数据集划分API
sklearn.model_selection.train_test_split
scikit-learn数据集API介绍
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
numpy.ndarray 数组
from sklearn.datasets import load_iris
li = load_iris()
print("获取特征值")
print(li.data)
print("目标值")
print(li.target)
print(li.DESCR)
sklearn.datasets里面有各种比较小的数据包
结果:
(1)
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
(3)DESCR:数据描述
分别是特征名和标签名
数据集进行分割
from sklearn.model_selection import train_test_split
#注意返回值, 训练集 train x_train, y_train 测试集 test x_test, y_test
x_train, x_test, y_train, y_test = train_test_split(li.data, li.target, test_size=0.25)
print("训练集特征值和目标值:", x_train, y_train)
print("测试集特征值和目标值:", x_test, y_test)
(1)从sklearn的模型选择库里面取分割的方法
(2)返回值有4种,按顺序分别是训练集特征值和目标值,测试集特征值和目标值
(3)test_size参数为测试集的占比,根据经验0.25为最优
用于分类的大数据集
训练集的“训练”,测试集的“测试”,两者的“全部”
from sklearn.datasets import fetch_20newsgroups
news = fetch_20newsgroups(subset='all')
print(news.data)
print(news.target)
一般选择all,下载完后再train_test_split
结果:
回归数据集
操作方法也同分类的特征值和目标值,只是其为连续型数据
from sklearn.datasets import load_iris, fetch_20newsgroups, load_boston
lb = load_boston()
print("获取特征值")
print(lb.data)
print("目标值")
print(lb.target)
print(lb.DESCR)
结果:
描述特征:
1.2估计器
转换器实现了特征工程:
fit_transform():输入数据,直接转换,等于fit()+transform()
fit():输入数据,但不做事情(但计算平均值、方差等)
transform():进行数据的转换
fit_transform()一般使用就使用这个。
而估计器实现了算法:
sklearn机器学习算法的实现-估计器
在sklearn中,估计器(estimator)是一个重要的角色,分类器和回归器都属于estimator,是一类实现了算法的API
1、用于分类的估计器:
2、用于回归的估计器:
3.聚类
每个算法API当中的参数,需要掌握,也是机器学习的门槛。
第一步:调用fit(x_train,y_train),训练集和测试集中的特征值
第二步:输入训练集和测试集中的目标值
第三步:估计器估计
第四步:预测y_predict
第五步:检验模型的精度,score(x_test,y_test)
具体算法阶段:
2、分类算法-k近邻算法
离散型数据
K近邻算法:哪个邻居离你最近,你就是哪里
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
欧式距离
相似的样本,特征之间的值应该都是相近的。
K近邻算法是需要进行标准化处理的,否则某一维度数据过大,影响最后的结果
sklearn k-近邻算法API
•sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
分类问题
特征值:x,y坐标,定位准确性,时间戳
目标值:入住位置的ID
处理:
1.由于数据太大,便于处理,要进行数据缩小,节省时间
0 2.时间戳进行(年,月,日,周,时分秒)处理,当做新的特征。(看情况,不一定需要处理) 于是特征值:x,y坐标,定位准确性,日,时,周当做新特征。——是否合适,还需要看最后检验。 3.几千~几万,少于指定签到人数的位置删除 1、缩小数据集范围 DataFrame.query() 2、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 pd.drop 5、将签到位置少于n个用户的删除 place_count =data.groupby('place_id').aggregate(np.count_nonzero) 分组后得到的结果类似如下,对哪一个字段进行分组,哪一个字段就成为id 这id不在数据数组中,不能猎取,故得使用下一步方法: 结果类似如下图,以data数据为基础,新建了一个tf对象,reset_index()相当于是把原来的aisle_id提取出来作为数组,并重新编号id 根据筛选之后的id,只取data中适合的部分 data = data[data['place_id'].isin(tf.place_id)] 结果类似如下: 训练集和测试集的特征值需要标准化,目标值不用 KNN算法总结: 1、k值取多大?有什么影响? 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、性能问题 需要N个样本计算距离 需要调参:n_nerghbors,设置不同的值
tf = place_count[place_count.row_id > 3].reset_index()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
#用query()的方法进行,()内是引号,条件并列用&连接起来
data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")
# 处理时间的数据,变成常见的时间格式,原来的数据是整数形式,记录的是1970.01.01.00起的以秒计数的整数
#to_datetime()进行转换
#生成了一列同data一样顺序的time_value表
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新增加列
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(参见代码段外的解释)
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
#目标值
y = data['place_id']
#特征值,删除目标值后就是特征值
x = data.drop(['place_id'], axis=1)
# 进行数据的分割训练集合测试集,注意返回数据的格式
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
# 特征工程(标准化),生成std实例
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)#对于std实例,一步到位输入与转换
#std实例中,已经有了x_train的平均值和标准差,所以,不用再fit()或者fit_transform(),否则标准又变了。
x_test = std.transform(x_test)
# 进行算法流程 # 超参数
#需要对n_nerghbors参数调整,调参
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=2)
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