机器学习笔记之Scikit-learn
一、Scikit-learn概述
- Scikit-learn是基于NumPy、 SciPy和 Matplotlib的开源Python机器学习包,它封装了一系列数据预处理、机器学习算法、模型选择等工具,是数据分析师首选的机器学习工具包。
- 自2007年发布以来，scikit-learn已经成为Python重要的机器学习库了，
scikit-learn简称sklearn，支持包括分类，回归，降维和聚类四大机器学
习算法。还包括了特征提取，数据处理和模型评估三大模块。
1.1 监督学习算法-分类
逻辑回归 linear_model.LogisticRegression
支持向量机 svm.SVC
朴素贝叶斯 naive_bayes.GaussianNB
K近邻 neighbors.NearestNeighbors
二、Scikit-learn用法
2.1 符号标记
- X_train | 训练数据.
- y_train | 训练集标签.
- X_test | 测试数据.
- y_test | 测试集标签.
- X | 完整数据.
- y | 数据标签.
2.2 基本建模流程
2.2.1 导入工具包：
from sklearn import datasets, preprocessing
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score
2.2.2 加载数据：
- Scikit-learn支持以NumPy的arrays对象、Pandas对象、SciPy的稀疏 矩阵及其他可转换为数值型arrays的数据结构作为其输入，前提是数据必须是数值型的
- sklearn.datasets模块提供了一系列加载和获取著名数据集如鸢尾花、波士顿房价、Olivetti人脸、MNIST数据集等的工具，也包括了一些toy data如S型数据等的生成工具
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
数据划分:
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y,
random_state=12, stratify=y, test_size=0.3)
将完整数据集的70%作为训练集，30%作为测试集，并使得测试集和训练集中各类别数据的比例与原始数据集比例一致（stratify分层策略），另外可通过设置 shuffle=True 提前打乱数据
2.2.3 数据预处理:
-
使⽤Scikit-learn进⾏数据标准化
from sklearn.preprocessing import StandardScaler -
构建转换器实例
scaler = StandardScaler() -
拟合及转换
scaler.fit_transform(X_train) -
处理后的数据均值为0,方差为1
-
使用Scikit-learn进⾏数据变换
MinMaxScaler //最小最大标准 OneHotEncoder //One-Hot编码 Normalizer //归一化,将数据映射到[0,1]区间 Binarizer //二值化（单个特征转换） LabelEncoder //标签编码 Imputer //缺失值填补 PolynomialFeature //多项式特征生成 -
特征选择
from sklearn import feature_selection as fs fs.Select KBest(score_func, k) //过滤式（Filter），保留得分排名前k的特征（top k方式） fs.RFECV(estimator, scoring=“r2”) //封装式（Wrap- per），结合交叉验证的递归特征消除法，自动选择最优特征个数 fs.Select From Model(estimator) //嵌入式（Embedded），从 模型中自动选择特征，任何具有coef_或者feature_importances_的 基模型都可以作为estimator参数传入
2.2.4 监督学习算法-回归
from sklearn.linear_model import LinearRegression
构建模型实例
lr = LinearRegression(normalize=True)
训练模型
lr.fit(X_train, y_train)
作出预测
y_pred = lr.predict(X_test)
LASSO linear_model.Lasso
Ridge linear_model.Ridge
ElasticNet linear_model.ElasticNet
回归树 tree.DecisionTreeRegressor
2.2.5 监督学习算法-分类
from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(max_depth=5)
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
y_prob = clf.predict_proba(X_test)
使用决策树分类算法解决二分类问题， y_prob 为每个样本预测为
“0”和“1”类的概率
2.2.6 监督学习算法-集成学习
sklearn.ensemble模块包含了一系列基于集成思想的分类、回归和离群值检测方法.
from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier(n_estimators=20)
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
y_prob = clf.predict_proba(X_test)
2.2.7 无监督学习算法
sklearn.cluster模块包含了一系列无监督聚类算法.
from sklearn.cluster import KMeans
//构建聚类实例
kmeans = KMeans(n_clusters=3, random_state=0)
//拟合
kmeans.fit(X_train)
//预测
kmeans.predict(X_test
//无监督学习算法
DBSCAN cluster.DBSCAN
层次聚类 cluster.AgglomerativeClustering
谱聚类 cluster.SpectralClustering
2.2.8 评价指标
sklearn.metrics模块包含了一系列用于评价模型的评分函数、损失函数以及成对数据的距离度量函数.
from sklearn.metrics import accuracy_score
accuracy_score(y_true, y_pred)
//对于测试集而言，y_test即是y_true，大部分函数都必须包含真实值y_true和预测值y_pred.
回归模型评价:
metrics.mean_absolute_error() | 平均绝对误差MAE
metrics.mean_squared_error() | 均方误差MSE
metrics.r2_score() | 决定系数R2.
分类模型评价:
metrics.accuracy_score() | 正确率
metrics.precision_score() | 各类精确率
metrics.f1_score() | F1 值
metrics.log_loss() | 对数损失或交叉熵损失
metrics.confusion_matrix | 混淆矩阵
metrics.classification_report | 含多种评价的分类报告
2.2.9 交叉验证及调优:
使用5折交叉验证对决策树模型进行评估，使用的评分函数为F1值。sklearn提供了部分带交叉验证功能的模型类如LassoCV、LogisticRegressionCV等，这些类包含cv参数。
from sklearn.model_selection import cross_val_score
clf = Decision Tree Classifier(max_depth=5)
scores = cross_val_score(clf, X_train, y_train,cv=5, scoring=’f1_weighted’)
超参数调优⸺网格搜索
在参数网格上进行穷举搜索，方法简单但是搜索速度慢（超参数较多时），且不容易找到参数空间中的局部最优。
from sklearn.model_selection import GridSearchCV
from sklearn import svm
svc = svm.SVC()
params = {‘kernel’:[‘linear’, ‘rbf’], ‘C’:[1, 10]} grid_search = Grid Search CV(svc, params, cv=5) grid_search.fit(X_train, y_train)
grid_search.best_params_
超参数调优⸺随机搜索
在参数子空间中进行随机搜索，选取空间中的100个点进行建模（可从scipy.stats常见分布如正态分布norm、均匀分布uniform中随机采样得到），时间耗费较少，更容易找到局部最优。
from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import randint
svc = svm.SVC()
param_dist = {‘kernel’:[‘linear’, ‘rbf’], ‘C’:randint(1, 20)}
random_search = RandomizedSearchCV(svc, param_dist, n_iter=10)
random_search.fit(X_train, y_train)
random_search.best_params_
三、参考资料
- https://scikit-learn.org/stable/tutorial/basic/tutorial.html
，scikit-learn (sklearn) 官方文档 - https://sklearn.apachecn.org/ ，scikit-learn (sklearn) 官方
文档中文版 - https://www.icourse163.org/course/WZU-1464096179
