Scikit-Learn是Python环境下的机器学习工具包，可以对数据进行预处理，可以处理不同规模的分类、回归、聚类等问题。
一般会使用pandas，NumPy、Scipy、Matplotlib等经典库来配合Scikit-Learn进行数据挖掘和建模，各个库的作用不用多说，都可以不同程度的减少工作量，尤其pandas最为重要，工具性的东西都应该熟练掌握，下面也会配合简单的实例来具体说明。
本篇简要介绍下工具箱基本情况，其实应用很简单，原理上的理解需要下功夫，主要模型原理的推导和调优推荐斯坦福NG的课程，先定个小目标，比如说把视频过两遍，并亲自推导一下。
- 环境的搭建
既然前面已经安装pandas、NumPy，那么可以直接pip install sklearn即可，依赖的库也会一同安装，如果甚至Python环境都没有安装，或者在意Python版本的，可以安装Anaconda，它相当于以上库的整合，同时也自带Python和IPython notebook，专门用来做数据挖掘，window平台已安装，不会影响已有的Python环境。
下面介绍如何用Scikit-Learn来建模
建模的过程很简单，其实没必要急于建模，建模之前需要把数据准备好。
1. 选择合适的数据集
sklearn.datasets包里已经准备了一些常用的数据集，包括分类或者聚类常用到的鸢尾花数据集，都可以拿来做简单的实验
from sklearn import datasets
datasets.load*?
datasets.load_boston
datasets.load_breast_cancer
datasets.load_diabetes
datasets.load_digits
datasets.load_files
datasets.load_iris
datasets.load_lfw_pairs
datasets.load_lfw_people
datasets.load_linnerud
datasets.load_mlcomp
datasets.load_sample_image
datasets.load_sample_images
datasets.load_svmlight_file
datasets.load_svmlight_files
2. 数据的预处理
不要小看这个步骤，数据预处理可以直接影响到模型，尽管调参也很重要，可数据都不是高质量的，模型或参数又有何评估意义呢，因此，必须保证输入足够精确，才能确保模型的完备。
对于爬到的数据或者从别的地方导下来的数据，往往需要清洗，最常见的是缺失值，可以用pandas来填充有意义的值进去，如果存在较少的异常值，可以用插值，SciPy库提供了不同的插值算法。
如果特征数据之间的量级跨度较大，数据规范化也是必不可少的，使所有数据都在一个量纲上，这样可以保证模型参数的精确性。常用的规范化主要有两个，min-max规范化和均值规范化。
可以用pandas来做简单的处理，将以下公式定义为匿名函数，配合DataFrame.apply()来完成
x_std = (x - x.min()) / (x.max() - x.min())
x_std = (x - x.mean()) / x.std()
sklearn库也有集成好的规范化方法，例如StandardScaler，与以上方法不同的是，它是以训练的方式将特征值进行转换，最终服从高斯分布，再将模型应用于测试集，使数据集达到高度的规范化。
3. 模型的选择
模型的选择视情况而定，首先要去了解基本模型的原理，包括核心公式的推导过程、模型的优化过程、适用的场景以及收敛的效率，以下两张图是别人总结的，这里借鉴一下
4. 建模
在选取好合适的模型后，我们用训练集来建模，以逻辑斯谛回归为例
# 构造一个默认参数的模型
model = LogisticRegression()
# 对模型进行训练
# 有监督学习记得加上label
model.fit(X_train, Y_train)
# 模型预测
# 预测得到测试集label
model.predict(X_test)
# 预测得到测试集到各个分类的概率值(相加为1)
model.predict_proba(X_test)
5. 模型评估
# 返回各个分类的精确率、召回率以及F1值
print(classification_report(Y_test, model.predict(X_test)))
此外，我们对模型的评估，也要了解混淆矩阵，mAP指标，Precesion和Recall指标的关系，即PR关系图的绘制。
网友评论