美文网首页呆鸟的Python数据分析Machine_Learning机器学习
scikit_learn学习笔记二——scikit learn基

scikit_learn学习笔记二——scikit learn基

作者: 深思海数_willschang | 来源:发表于2018-08-30 11:02 被阅读30次

    scikit-learn基础介绍

    估计器(Estimator)

    可以直接理解成分类器

    主要包含两个函数:fit(x,y) 和 predict(x),分别是训练和预测算法

    模型流程:

    # 拟合模型
    model.fit(X_train, y_train)
    # 模型预测
    model.predict(X_test)
    # 获得这个模型的参数
    model.get_params()
    # 为模型进行打分
    model.score(data_X, data_y) 
    

    线性回归

    from sklearn.linear_model import LinearRegression
        # 定义线性回归模型
        model = LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1)
        """
        fit_intercept:是否计算截距。False-模型没有截距
    
        normalize: 当fit_intercept设置为False时,该参数将被忽略。 如果为真,则回归前的回归系数X将通过减去平均值并除以l2-范数而归一化。
    
         n_jobs:指定线程数
        """
    

    逻辑回归

    from sklearn.linear_model import LogisticRegression
        # 定义逻辑回归模型
        model = LogisticRegression(penalty=’l2’, dual=False, tol=0.0001, C=1.0, 
            fit_intercept=True, intercept_scaling=1, class_weight=None, 
            random_state=None, solver=’liblinear’, max_iter=100, multi_class=’ovr’, 
            verbose=0, warm_start=False, n_jobs=1)
    
        """
            penalty:使用指定正则化项(默认:l2)
            dual: n_samples > n_features取False(默认)
            C:正则化强度的反,值越小正则化强度越大
            n_jobs: 指定线程数
            random_state:随机数生成器
            fit_intercept: 是否需要常量
        """
    

    朴素贝叶斯

    from sklearn import naive_bayes
        model = naive_bayes.GaussianNB() 
        model = naive_bayes.MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None)
        model = naive_bayes.BernoulliNB(alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None)
        """
    
            alpha:平滑参数
            fit_prior:是否要学习类的先验概率;false-使用统一的先验概率
            class_prior: 是否指定类的先验概率;若指定则不能根据参数调整
            binarize: 二值化的阈值,若为None,则假设输入由二进制向量组成
        """
    

    决策树

    from sklearn import tree 
        model = tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None, 
            min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, 
            max_features=None, random_state=None, max_leaf_nodes=None, 
            min_impurity_decrease=0.0, min_impurity_split=None,
             class_weight=None, presort=False)
        """
            criterion :特征选择准则gini/entropy
            max_depth:树的最大深度,None-尽量下分
            min_samples_split:分裂内部节点,所需要的最小样本树
            min_samples_leaf:叶子节点所需要的最小样本数
            max_features: 寻找最优分割点时的最大特征数
            max_leaf_nodes:优先增长到最大叶子节点数
            min_impurity_decrease:如果这种分离导致杂质的减少大于或等于这个值,则节点将被拆分。
        """
    

    支持向量机SVM

     from sklearn.svm import SVC
     model = SVC(C=1.0, kernel=’rbf’, gamma=’auto’)
     """
     C:误差项的惩罚参数C
     gamma: 核相关系数。浮点数,If gamma is ‘auto’ then 1/n_features will be used instead.
     """
    

    knn最近邻算法

    from sklearn import neighbors
    #定义kNN分类模型
    model = neighbors.KNeighborsClassifier(n_neighbors=5, n_jobs=1) # 分类
    model = neighbors.KNeighborsRegressor(n_neighbors=5, n_jobs=1) # 回归
    """
        n_neighbors: 使用邻居的数目
        n_jobs:并行任务数
    """
    

    多层感知器

    from sklearn.neural_network import MLPClassifier
    # 定义多层感知机分类算法
    model = MLPClassifier(activation='relu', solver='adam', alpha=0.0001)
     """
        hidden_layer_sizes: 元祖
        activation:激活函数
        solver :优化算法{‘lbfgs’, ‘sgd’, ‘adam’}
       alpha:L2惩罚(正则化项)参数。
    """
    

    交叉验证

    from sklearn.model_selection import cross_val_score
    cross_val_score(model, X, y=None, scoring=None, cv=None, n_jobs=1)
    """
       model:拟合数据的模型
       cv : k-fold
       scoring: 打分参数-‘accuracy’、‘f1’、‘precision’、‘recall’ 、‘roc_auc’、'neg_log_loss'等等
     """
    

    检验曲线

    from sklearn.model_selection import validation_curve
    train_score, test_score = validation_curve(model, X, y, param_name, param_range, cv=None, scoring=None, n_jobs=1)
        """
            model:用于fit和predict的对象
            X, y: 训练集的特征和标签
            param_name:将被改变的参数的名字
            param_range: 参数的改变范围
            cv:k-fold
        """
    

    转换器(Transformer)

    用于数据预处理和数据转换

    主要函数有:transform(),还有fit_transform()将fit()和transform()结合在一起。

    流水线(Pipeline)

    sklearn.pipeline包

    • 流水线的功能:
      • 跟踪记录各步骤的操作(以方便地重现实验结果)
      • 对各步骤进行一个封装
      • 确保代码的复杂程度不至于超出掌控范围

    基本使用方法
    流水线的输入为一连串的数据挖掘步骤,其中最后一步必须是估计器,前几步是转换器。输入的数据集经过转换器的处理后,输出的结果作为下一步的输入。最后,用位于流水线最后一步的估计器对数据进行分类。
    每一步都用元组( ‘名称’,步骤)来表示

    scaling_pipeline = Pipeline([
      ('scale', MinMaxScaler()),
      ('predict', KNeighborsClassifier())
    ])
    

    预处理(Preprocessing)

    sklearn.preprocessing包

    • 规范化:

      • MinMaxScaler :最大最小值规范化
      • Normalizer :使每条数据各特征值的和为1
      • StandardScaler :为使各特征的均值为0,方差为1
    • 编码:

      • LabelEncoder :把字符串类型的数据转化为整型
      • OneHotEncoder :特征用一个二进制数字来表示
      • Binarizer :为将数值型特征的二值化
      • MultiLabelBinarizer:多标签二值化
    from sklearn import preprocessing
    # 标准化处理函数
    # 将数据转化为标准正态分布(均值为0,方差为1)
    preprocessing.scale(X,axis=0, with_mean=True, with_std=True, copy=True)
    
    # 将数据在缩放在固定区间,默认缩放到区间 [0, 1]
    preprocessing.minmax_scale(X,feature_range=(0, 1), axis=0, copy=True)
    
    # 数据的缩放比例为绝对值最大值,并保留正负号,即在区间 [-1.0, 1.0] 内。唯一可用于稀疏数据 scipy.sparse的标准化
    preprocessing.maxabs_scale(X,axis=0, copy=True)
    
    # 通过 Interquartile Range (IQR) 标准化数据,即四分之一和四分之三分位点之间
    preprocessing.robust_scale(X,axis=0, with_centering=True, with_scaling=True,copy=True)
    
    
    # 标准化正态分布类
    #基于mean和std的标准化
    class preprocessing.StandardScaler(copy=True, with_mean=True,with_std=True)
       # 属性:
       # scale_:ndarray,缩放比例
       # mean_:ndarray,均值
       # var_:ndarray,方差
       # n_samples_seen_:int,已处理的样本个数,调用partial_fit()时会累加,调用fit()会重设
    
    ##########MinMaxScaler#############
    # 将数据在缩放在固定区间的类,默认缩放到区间 [0, 1]
    class preprocessing.MinMaxScaler(feature_range=(0, 1),copy=True):
        # 属性:
        # min_:ndarray,缩放后的最小值偏移量
        # scale_:ndarray,缩放比例
        # data_min_:ndarray,数据最小值
        # data_max_:ndarray,数据最大值
        # data_range_:ndarray,数据最大最小范围的长度
    
    ##########MaxAbsScaler##############
    # 数据的缩放比例为绝对值最大值,并保留正负号,即在区间 [-1.0, 1.0] 内。可以用于稀疏数据scipy.sparse
    class preprocessing.MaxAbsScaler(copy=True):
        # 属性:
        # scale_:ndarray,缩放比例
        # max_abs_:ndarray,绝对值最大值
        # n_samples_seen_:int,已处理的样本个数
    
    
    ############RobustScaler###################
    # 通过 Interquartile Range (IQR) 标准化数据,即四分之一和四分之三分位点之间
    classpreprocessing.RobustScaler(with_centering=True,with_scaling=True, copy=True):
        # 属性:
        # center_:ndarray,中心点
        # scale_:ndarray,缩放比例
    
    
    #################
    # 生成 kernel 矩阵,用于将 svm kernel 的数据标准化
    class preprocessing.KernelCenterer:
    
    
    """
    fit(X[,y]):根据数据 X 的值,设置标准化缩放的比例
    transform(X[,y, copy]):用之前设置的比例标准化 X
    fit_transform(X[, y]):根据 X设置标准化缩放比例并标准化
    partial_fit(X[,y]):累加性的计算缩放比例
    inverse_transform(X[,copy]):将标准化后的数据转换成原数据比例
    get_params([deep]):获取参数
    set_params(**params):设置参数
    """
    

    特征工程

    主要包括特征提取(Feature Extraction)和特征选择(Feature Selection)

    • sklearn.select_extraction

      • DictVectorizer: 将dict类型的list数据,转换成numpy array
      • FeatureHasher : 特征哈希,相当于一种降维技巧
      • image:图像相关的特征抽取
      • text: 文本相关的特征抽取
      • text.CountVectorizer:将文本转换为每个词出现的个数的向量
      • text.TfidfVectorizer:将文本转换为tfidf值的向量
      • text.HashingVectorizer:文本的特征哈希
    • sklearn.feature_selection
      (1)降低复杂度
      (2)降低噪音
      (3)增加模型可读性

      • VarianceThreshold: 删除特征值的方差达不到最低标准的特征
      • SelectKBest: 返回k个最佳特征
      • SelectPercentile: 返回表现最佳的前r%个特征

      单个特征和某一类别之间相关性的计算方法:卡方检验(χ2)、互信息和信息熵

    降维(Decomposition)

    主要是PCA

    • sklearn.decomposition

    主成分分析算法(Principal Component Analysis, PCA)的目的是找到能用较少信息描述数据集的特征组合。它意在发现彼此之间没有相关性、能够描述数据集的特征,同时起到数据压缩作用

    组合(Ensemble)

    通过聚集多个分类器的预测来提高分类准确率

    • sklearn.ensemble

    常用的组合分类器方法:
    (1)通过处理训练数据集。即通过某种抽样分布,对原始数据进行再抽样,得到多个训练集。常用的方法有装袋(bagging)和提升(boosting)。

    装袋(bagging)
    根据均匀概率分布从数据集中重复抽样(有放回),每个自助样本集和原数据集一样大,每个自助样本集含有原数据集大约63%的数据。训练k个分类器,测试样本被指派到得票最高的类。
    提升(boosting)
    通过给样本设置不同的权值,每轮迭代调整权值。
    不同的提升算法之间的差别,一般是(1)如何更新样本的权值,(2)如何组合每个分类器的预测。
    其中Adaboost中,样本权值是增加那些被错误分类的样本的权值,分类器C_i的重要性依赖于它的错误率。
    Boosting主要关注降低偏差,因此Boosting能基于泛化性能相当弱的学习器构建出很强的集成;Bagging主要关注降低方差,因此它在不剪枝的决策树、神经网络等学习器上效用更为明显。

    偏差指的是算法的期望预测与真实预测之间的偏差程度,反应了模型本身的拟合能力;方差度量了同等大小的训练集的变动导致学习性能的变化,刻画了数据扰动所导致的影响
    (2)通过处理输入特征。即通过选择输入特征的子集形成每个训练集。适用于有大量冗余特征的数据集。随机森林(Random forest)就是一种处理输入特征的组合方法。
    (3)通过处理类标号。适用于多分类的情况,将类标号随机划分成两个不相交的子集,再把问题变为二分类问题,重复构建多次模型,进行分类投票。

    BaggingClassifier: Bagging分类器组合
    BaggingRegressor: Bagging回归器组合
    AdaBoostClassifier: AdaBoost分类器组合
    AdaBoostRegressor: AdaBoost回归器组合
    GradientBoostingClassifier:GradientBoosting分类器组合
    GradientBoostingRegressor: GradientBoosting回归器组合
    ExtraTreeClassifier:ExtraTree分类器组合
    ExtraTreeRegressor: ExtraTree回归器组合
    RandomTreeClassifier:随机森林分类器组合
    RandomTreeRegressor: 随机森林回归器组合
    

    模型评估(度量)Metrics

    sklearn.metrics包含评分方法,性能度量,成对度量和距离计算。

    分类结果度量
    参数大多是y_true和y_pred。

    • accuracy_score:分类准确度
    • condusion_matrix :分类混淆矩阵
    • classification_report:分类报告
    • precision_recall_fscore_support:计算精确度、召回率、f、支持率
    • jaccard_similarity_score:计算jcaard相似度
    • hamming_loss:计算汉明损失
    • zero_one_loss:0-1损失
    • hinge_loss:计算hinge损失
    • log_loss:计算log损失
      其中,F1是以每个类别为基础进行定义的,包括两个概念:准确率(precision)和召回率(recall)。准确率是指预测结果属于某一类的个体,实际属于该类的比例。召回率是被正确预测为某类的个体,与数据集中该类个体总数的比例。F1是准确率和召回率的调和平均数。

    回归结果度量

    • explained_varicance_score:可解释方差的回归评分函数
    • mean_absolute_error:平均绝对误差
    • mean_squared_error:平均平方误差

    多标签的度量

    • coverage_error:涵盖误差
    • label_ranking_average_precision_score:计算基于排名的平均误差Label ranking average precision (LRAP)

    聚类的度量

    • adjusted_mutual_info_score:调整的互信息评分
    • silhouette_score:所有样本的轮廓系数的平均值
    • silhouette_sample:所有样本的轮廓系数

    交叉验证(Cross validation)

    sklearn.model_selection
    model_selection

    • KFold:K-Fold交叉验证迭代器。接收元素个数、fold数、是否清洗
    • LeaveOneOut:LeaveOneOut交叉验证迭代器
    • LeavePOut:LeavePOut交叉验证迭代器
    • LeaveOneLableOut:LeaveOneLableOut交叉验证迭代器
    • LeavePLabelOut:LeavePLabelOut交叉验证迭代器

      LeaveOneOut(n) 相当于 KFold(n, n_folds=n) 相当于LeavePOut(n, p=1),
      LeaveP和LeaveOne差别在于leave的个数,也就是测试集的尺寸,
      LeavePLabel和LeaveOneLabel差别在于leave的Label的种类的个数。

    • 其他方法
      • train_test_split:分离训练集和测试集(不是K-Fold)
      • cross_val_score:交叉验证评分,可以指认cv为上面的类的实例
      • cross_val_predict:交叉验证的预测
    # 将数据集分为训练集和测试集
    from sklearn.mode_selection import train_test_split
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    # arrays:样本数组,包含特征向量和标签
    # test_size:
    #  float-获得多大比重的测试样本 (默认:0.25)
    #  int - 获得多少个测试样本
    # train_size: 同test_size
    # random_state: int - 随机种子(种子固定,实验可复现)  
    # shuffle - 是否在分割之前对数据进行洗牌(默认True)
    
    

    网格搜索

    网格搜索最佳参数 sklearn.model_selection
    from sklearn.model_selection import GridSearchCV
    Tuning the hyper-parameters of an estimator

    • GridSearchCV:搜索指定参数网格中的最佳参数
    • ParameterGrid:参数网格
    • ParameterSampler:用给定分布生成参数的生成器
    • RandomizedSearchCV:超参的随机搜索 通过best_estimator_.get_params()方法,获取最佳参数

    多标签分类

    sklearn.multiclass
    Multiclass

    • OneVsRestClassifier:1-rest多分类(多标签)策略
    • OneVsOneClassifier:1-1多分类策略
    • OutputCodeClassifier:1个类用一个二进制码表示

    模型保存

    # 保存为pickle文件
    import pickle
    
    # 保存模型
    with open('model.pickle', 'wb') as f:
        pickle.dump(model, f)
    
    # 读取模型
    with open('model.pickle', 'rb') as f:
        model = pickle.load(f)
        model.predict(X_test)
    
    #################################################
    # sklearn自带方法joblib
    from sklearn.externals import joblib
    
    # 保存模型
    joblib.dump(model, 'model.pickle')
    
    #载入模型
    model = joblib.load('model.pickle')
    

    主要模块分类

    1.sklearn.base: Base classes and utility function基础实用函数
    2.sklearn.cluster: Clustering聚类
    3.sklearn.cluster.bicluster: Biclustering 双向聚类
    4.sklearn.covariance: Covariance Estimators 协方差估计
    5.sklearn.model_selection: Model Selection 模型选择
    6.sklearn.datasets: Datasets 数据集
    7.sklearn.decomposition: Matrix Decomposition 矩阵分解
    8.sklearn.dummy: Dummy estimators 虚拟估计
    9.sklearn.ensemble: Ensemble Methods 集成方法
    10.sklearn.exceptions: Exceptions and warnings 异常和警告
    11.sklearn.feature_extraction: Feature Extraction 特征抽取
    12.sklearn.feature_selection: Feature Selection 特征选择
    13。sklearn.gaussian_process: Gaussian Processes 高斯过程
    14.sklearn.isotonic: Isotonic regression 保序回归
    15.sklearn.kernel_approximation: Kernel Approximation 核 逼近
    16.sklearn.kernel_ridge: Kernel Ridge Regression  岭回归ridge
    17.sklearn.discriminant_analysis: Discriminant Analysis 判别分析
    18.sklearn.linear_model: Generalized Linear Models 广义线性模型
    19.sklearn.manifold: Manifold Learning 流形学习
    20.sklearn.metrics: Metrics 度量 权值
    21.sklearn.mixture: Gaussian Mixture Models 高斯混合模型
    22.sklearn.multiclass: Multiclass and multilabel classification 多等级标签分类
    23.sklearn.multioutput: Multioutput regression and classification 多元回归和分类
    24.sklearn.naive_bayes: Naive Bayes 朴素贝叶斯
    25.sklearn.neighbors: Nearest Neighbors 最近邻
    26.sklearn.neural_network: Neural network models 神经网络
    27.sklearn.calibration: Probability Calibration 概率校准
    28.sklearn.cross_decomposition: Cross decomposition 交叉求解
    29.sklearn.pipeline: Pipeline 管道
    30.sklearn.preprocessing: Preprocessing and Normalization 预处理和标准化
    31.sklearn.random_projection: Random projection 随机映射
    32.sklearn.semi_supervised: Semi-Supervised Learning 半监督学习
    33.sklearn.svm: Support Vector Machines 支持向量机
    34.sklearn.tree: Decision Tree 决策树
    35.sklearn.utils: Utilities 实用工具
    

    相关文章

      网友评论

        本文标题:scikit_learn学习笔记二——scikit learn基

        本文链接:https://www.haomeiwen.com/subject/johrwftx.html