随机梯度下降模型回归实战

        接上一篇文章的“用Logistic分类进行良/恶性乳腺癌预测”，同样的数据使用sklearn的随机梯度下降模型SGDClassifier进行分析。上码：

import pandas as pd

import numpy as np

#---------数据预处理

colume_names=['Sample code number','Clump Thickness','Uniformity of Cell Size','Uniformityof Cell Shape',

'Marginal Adhesion','SingleEpithelial CellSize','Bare Nuclei','Bland Chromatin','Normal Nucleoli','Mitoses','Class']

data=pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data',names=colume_names)

data=data.replace(to_replace='?',value=np.nan)

data=data.dropna(how='any')

#print(data.shape)

#---------训练集、测试集划分，随机选取，训练集占75%

from sklearn.cross_validation import train_test_split

X_train,X_test,y_train,y_test=train_test_split(data[colume_names[1:10]],data[colume_names[10]],test_size=0.25,random_state=33)

print(y_train.value_counts())

print(y_test.value_counts())

#---------训练模型

from sklearn.preprocessing import StandardScaler

from sklearn.linear_model import SGDClassifier

#---------标准化数据

ss=StandardScaler()

X_train=ss.fit_transform(X_train)

X_test=ss.transform(X_test)

#---------初始化LogisticRegression与训练模型

sgdc=SGDClassifier()

sgdc.fit(X_train,y_train)

sgdc_y_predict=sgdc.predict(X_test)

#--------性能分析

from sklearn.metrics import classification_report

print('Accurracy of SGDClassifier:',sgdc.score(X_test,y_test))

xnfx=classification_report(y_test,sgdc_y_predict,target_names=['Benign','Malignant'])

print(xnfx)

print(y_test)

性能分析：

        对比Logistic分类模型，SGDClassifier准确率略低，而且每一次训练性能都有所差别，可能是数据量不足的原因。根据《机器学习及实践》所说，随机梯度算法计算时间短，但产出的模型性能略低，一般而言，对于训练数据规模在10万两级以上的数据，考虑到时间的耗用，推荐使用随机梯度算法模型。