05分类算法

一.K-近邻算法

1.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。

2.API

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')

l  n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数

l  algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用 BallTree，‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)

3.实例:预测入住位置

 

 

3.1流程

1、数据集的处理

2、分割数据集

3、对数据集进行标准化

4、estimator流程进行分类预测

3.2 数据的处理

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)
tf = place_count[place_count.row_id > 3].reset_index()

data = data[data['place_id'].isin(tf.place_id)]

3.3代码

from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
import pandas as pd


def knncls():
    """
    K-近邻预测用户签到位置
    :return:None
    """

    # 读取数据
    data = []
    with open('./csv/train.csv', 'r', encoding='gbk', errors='ignore') as f:
        for line in f:
            data.append(line.split(','))

    data = pd.DataFrame(data[0:100])



    # print(data.head(10))

    # 处理数据
    # 1、缩小数据,查询数据晒讯
    data = data.query("x > 1.0 &  x < 1.25 & y > 2.5 & y < 2.75")

    # 处理时间的数据
    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['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)
    data = data.drop(['row_id'], axis=1)

    print(data)

    # 把签到数量少于n个目标位置删除
    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
    y = data['place_id']

    x = data.drop(['place_id'], axis=1)

    # 进行数据的分割训练集合测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

    # 特征工程（标准化）
    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)

    x_test = std.transform(x_test)

    # 进行算法流程 # 超参数
    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))

    return None


if __name__ == "__main__":
    knncls()

 

4. 优缺点

4.1优点

简单，易于理解，易于实现，无需估计参数，无需训练

4.2缺点

懒惰算法，对测试样本分类时的计算量大，内存开销大；

必须指定K值，K值选择不当则分类精度不能保证

二.分类算法的评估

1.精准率与召回率

混淆矩阵：

 

 

1)       精确率：预测结果为正例样本中真实为正例的比例（查得准）

 

 

 

2)      召回率：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力）

 

 

 

 

2.分类模型评估API

sklearn.metrics.classification_report

 

sklearn.metrics.classification_report(y_true, y_pred, target_names=None)

l  y_true：真实目标值

l  y_pred：估计器预测目标值

l  target_names：目标类别名称

l  return：每个类别精确率与召回率

三.朴素贝叶斯算法

1.联合概率和条件概率

l  联合概率：包含多个条件，且所有条件同时成立的概率

记作：

l  条件概率：就是事件A在另外一个事件B已经发生条件下的发生概率

记作：

特性：P(A1,A2|B) = P(A1|B)P(A2|B)

注意：此条件概率的成立，是由于A1,A2相互独立的结果

2.朴素贝叶斯公式

 

 

l  拉普拉斯平滑（为了解决公式计算出来有一些项为0）

 

 

 

3.API

3.1 多项式模型 常用于文本分类，特征是单词，值是单词出现次数

sklearn.naive_bayes.MultinomialNB

 

 

 

alpha默认为1.0

3.2 高斯模型  特征值是连续变量

sklearn.naive_bayes.GaussianNB

3.3 伯努利模型  每个特征的取值是布尔类型的

sklearn.naive_bayes.BernoulliNB

 

4.优缺点

1)       优点：

• 朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率。
• 对缺失数据不太敏感，算法也比较简单，常用于文本分类。
• 分类准确度高，速度快

2)       缺点：

需要知道先验概率P(F1,F2,…|C)，因此在某些时候会由于假设的先验模型的原因导致预测效果不佳。

5.实例

def naviebayes():

    """

    朴素贝叶斯进行文本分类

    :return: None

    """

    news = fetch_20newsgroups(subset='all')



    # 进行数据分割

    x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)



    # 对数据集进行特征抽取

    tf = TfidfVectorizer()



    # 以训练集当中的词的列表进行每篇文章重要性统计['a','b','c','d']

    x_train = tf.fit_transform(x_train)



    print(tf.get_feature_names())



    x_test = tf.transform(x_test)



    # 进行朴素贝叶斯算法的预测

    mlt = MultinomialNB(alpha=1.0)



    print(x_train.toarray())



    mlt.fit(x_train, y_train)



    y_predict = mlt.predict(x_test)



    print("预测的文章类别为：", y_predict)



    # 得出准确率

    print("准确率为：", mlt.score(x_test, y_test))



    print("每个类别的精确率和召回率：", classification_report(y_test, y_predict, target_names=news.target_names))



    return None

 

 

四.模型选择与调优

1.交叉验证

1）作用：为了让被评估的模型更加准确可信。

2）交叉验证：将拿到的数据，分为训练和验证集。以下图为例：将数据分成5份，其中一份作为验证集。然后经过5次(组)的测试，每次都更换不同的验证集。即得到5组模型的结果，取平均值作为最终结果。又称5折交叉验证。

 

 

 

2.超参数搜索-网格搜索

通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫超参数。但是手动过程繁杂，所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。

2.1 API ：sklearn.model_selection.GridSearchCV

sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None)

参数值

• estimator：估计器对象（模型）
• param_grid：估计器参数(dict)   例如param={“n_neighbors”:[1,3,5]}
• cv：指定几折交叉验证
• fit：输入训练数据
• score：准确率

结果分析：

• best_score_:在交叉验证中测试的最好结果
• best_estimator_：最好的参数模型
• cv_results_:每次交叉验证后的测试集准确率结果和训练集准确率结果

2.2 实例

# 进行算法流程 # 超参数

knn = KNeighborsClassifier()
# 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_)

 

五.决策树

1.原理

决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-then结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法。

2.信息熵

举例：猜谁是冠军？假设有32支球队

 

 

 

最快的猜法：折中猜，最多需要5次。

而对于信息熵，“谁是世界杯冠军”的信息量应该比5比特少。香农指出，它的准确信息量应该是：H = -(p1logp1 + p2logp2 + ... + p32log32)

 

H的专业术语称之为信息熵，单位为比特。

公式：

当这32支球队夺冠的几率相同时，对应的信息熵等于5比特

3.信息增益

 

信息增益表示得知特征X的信息而使得类Y的信息的不确定性减少的程度。

 

 

 

4.常见决策树所用算法

1)       ID3 信息增益 最大的准则

2)       C4.5 信息增益比 最大的准则

3)       CART

回归树: 平方误差 最小

分类树: 基尼系数   最小的准则 在sklearn中可以选择划分的原则

5.API

class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,random_state=None)

决策树分类器

l  criterion:默认是’gini’系数，也可以选择信息增益的熵’entropy’

l  max_depth:树的深度大小

l  random_state:随机数种子

 

method:

l  decision_path:返回决策树的路径

6.决策树的结构本地保存

1)      sklearn.tree.export_graphviz() 该函数能够导出DOT格式

tree.export_graphviz(estimator,out_file='tree.dot’,feature_names=[‘’,’’])

2)      工具:(能够将dot文件转换为pdf、png)

安装graphviz

ubuntu:sudo apt-get install graphviz         Mac:brew install graphviz

3)      运行命令  $ dot -Tpng tree.dot -o tree.png

7.决策树的优缺点以及改进

7.1 优缺点

l  优点：

1)      简单的理解和解释，树木可视化。

2)      需要很少的数据准备，其他技术通常需要数据归一化，

 

l  缺点：

1)       决策树学习者可以创建不能很好地推广数据的过于复杂的树，这被称为过拟合。

2)       决策树可能不稳定，因为数据的小变化可能会导致完全不同的树被生成

7.2改进

l  减枝cart算法

l  随机森林

六.随机森林

1.定义

在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个数的结果是False, 那么最终结果会是True.

2.算法

根据下列算法而建造每棵树：

l  用N来表示训练用例（样本）的个数，M表示特征数目。

l  输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于M。

l  从N个训练用例（样本）中以有放回抽样的方式，取样N次，形成一个训练集（即bootstrap取样），并用未抽到的用例（样本）作预测，评估其误差。

3.API

class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’,

 max_depth=None, bootstrap=True, random_state=None)

随机森林分类器

l  n_estimators：integer，optional（default = 10） 森林里的树木数量

l  criteria：string，可选（default =“gini”）分割特征的测量方法

l  max_depth：integer或None，可选（默认=无）树的最大深度

l  bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样

4.优点

l  在当前所有算法中，具有极好的准确率

l  能够有效地运行在大数据集上

l  能够处理具有高维特征的输入样本，而且不需要降维

l  能够评估各个特征在分类问题上的重要性

l  对于缺省值问题也能够获得很好得结果

5.案例（决策树与随机森林）

import pandas as pd
import sklearn
from sklearn.cross_validation import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import classification_report
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
 
 
titanic = pd.read_csv('http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt')
 
#选取一些特征作为我们划分的依据
x = titanic[['pclass', 'age', 'sex']]
y = titanic['survived']
 
# 填充缺失值
x['age'].fillna(x['age'].mean(), inplace=True)
 
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
 
dt = DictVectorizer(sparse=False)
 
print(x_train.to_dict(orient="record"))
 
# 按行，样本名字为键，列名也为键，[{"1":1,"2":2,"3":3}]
x_train = dt.fit_transform(x_train.to_dict(orient="record"))
 
x_test = dt.fit_transform(x_test.to_dict(orient="record"))
 
# 使用决策树
dtc = DecisionTreeClassifier()
 
dtc.fit(x_train, y_train)
 
dt_predict = dtc.predict(x_test)
 
print(dtc.score(x_test, y_test))
 
print(classification_report(y_test, dt_predict, target_names=["died", "survived"]))
 
# 使用随机森林
 
rfc = RandomForestClassifier()
 
rfc.fit(x_train, y_train)
 
rfc_y_predict = rfc.predict(x_test)
 
print(rfc.score(x_test, y_test))
 
print(classification_report(y_test, rfc_y_predict, target_names=["died", "survived"]))