ML神器：sklearn的快速使用及入門
傳統(tǒng)的機器學習任務從開始到建模的一般流程是：獲取數(shù)據(jù) -> 數(shù)據(jù)預處理 -> 訓練建模 -> 模型評估 -> 預測，分類。本文我們將依據(jù)傳統(tǒng)機器學習的流程，看看在每一步流程中都有哪些常用的函數(shù)以及它們的用法是怎么樣的。希望你看完這篇文章可以最為快速的開始你的學習任務。
1. 獲取數(shù)據(jù)
1.1 導入sklearn數(shù)據(jù)集
sklearn中包含了大量的優(yōu)質的數(shù)據(jù)集，在你學習機器學習的過程中，你可以通過使用這些數(shù)據(jù)集實現(xiàn)出不同的模型，從而提高你的動手實踐能力，同時這個過程也可以加深你對理論知識的理解和把握。（這一步我也亟需加強，一起加油！^-^）
首先呢，要想使用sklearn中的數(shù)據(jù)集，必須導入datasets模塊：
from sklearn import datasets
下圖中包含了大部分sklearn中數(shù)據(jù)集，調用方式也在圖中給出，這里我們拿iris的數(shù)據(jù)來舉個例子：
iris = datasets.load_iris() # 導入數(shù)據(jù)集 X = iris.data # 獲得其特征向量 y = iris.target # 獲得樣本label
1.2 創(chuàng)建數(shù)據(jù)集
你除了可以使用sklearn自帶的數(shù)據(jù)集，還可以自己去創(chuàng)建訓練樣本，具體用法參見《Dataset loading utilities》，這里我們簡單介紹一些，sklearn中的samples generator包含的大量創(chuàng)建樣本數(shù)據(jù)的方法：
下面我們拿分類問題的樣本生成器舉例子：
from sklearn.datasets.samples_generator import make_classification X, y = make_classification(n_samples=6, n_features=5, n_informative=2, n_redundant=2, n_classes=2, n_clusters_per_class=2, scale=1.0, random_state=20) # n_samples：指定樣本數(shù) # n_features：指定特征數(shù) # n_classes：指定幾分類 # random_state：隨機種子，使得隨機狀可重
>>> for x_,y_ in zip(X,y): print(y_,end=': ') print(x_) 0: [-0.6600737 -0.0558978 0.82286793 1.1003977 -0.93493796] 1: [ 0.4113583 0.06249216 -0.90760075 -1.41296696 2.059838 ] 1: [ 1.52452016 -0.01867812 0.20900899 1.34422289 -1.61299022] 0: [-1.25725859 0.02347952 -0.28764782 -1.32091378 -0.88549315] 0: [-3.28323172 0.03899168 -0.43251277 -2.86249859 -1.10457948] 1: [ 1.68841011 0.06754955 -1.02805579 -0.83132182 0.93286635]
2. 數(shù)據(jù)預處理
數(shù)據(jù)預處理階段是機器學習中不可缺少的一環(huán)，它會使得數(shù)據(jù)更加有效的被模型或者評估器識別。下面我們來看一下sklearn中有哪些平時我們常用的函數(shù)：
from sklearn import preprocessing
2.1 數(shù)據(jù)歸一化
為了使得訓練數(shù)據(jù)的標準化規(guī)則與測試數(shù)據(jù)的標準化規(guī)則同步，preprocessing中提供了很多Scaler：
data = [[0, 0], [0, 0], [1, 1], [1, 1]] # 1. 基于mean和std的標準化 scaler = preprocessing.StandardScaler().fit(train_data) scaler.transform(train_data) scaler.transform(test_data) # 2. 將每個特征值歸一化到一個固定范圍 scaler = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(train_data) scaler.transform(train_data) scaler.transform(test_data) #feature_range: 定義歸一化范圍，注用（）括起來
2.2 正則化（normalize）
當你想要計算兩個樣本的相似度時必不可少的一個操作，就是正則化。其思想是：首先求出樣本的p-范數(shù)，然后該樣本的所有元素都要除以該范數(shù)，這樣最終使得每個樣本的范數(shù)都為1。
>>> X = [[ 1., -1., 2.],
... [ 2., 0., 0.],
... [ 0., 1., -1.]]
>>> X_normalized = preprocessing.normalize(X, norm='l2')
>>> X_normalized
array([[ 0.40..., -0.40..., 0.81...],
[ 1. ..., 0. ..., 0. ...],
[ 0. ..., 0.70..., -0.70...]])
2.3 one-hot編碼
one-hot編碼是一種對離散特征值的編碼方式，在LR模型中常用到，用于給線性模型增加非線性能力。
data = [[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]] encoder = preprocessing.OneHotEncoder().fit(data) enc.transform(data).toarray()
3. 數(shù)據(jù)集拆分
在得到訓練數(shù)據(jù)集時，通常我們經(jīng)常會把訓練數(shù)據(jù)集進一步拆分成訓練集和驗證集，這樣有助于我們模型參數(shù)的選取。
# 作用：將數(shù)據(jù)集劃分為 訓練集和測試集 # 格式：train_test_split(*arrays, **options) 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) """ 參數(shù) --- arrays：樣本數(shù)組，包含特征向量和標簽 test_size： float-獲得多大比重的測試樣本 （默認：0.25） int - 獲得多少個測試樣本 train_size: 同test_size random_state: int - 隨機種子（種子固定，實驗可復現(xiàn)） shuffle - 是否在分割之前對數(shù)據(jù)進行洗牌（默認True） 返回 --- 分割后的列表，長度=2*len(arrays), (train-test split) """
4. 定義模型
在這一步我們首先要分析自己數(shù)據(jù)的類型，搞清出你要用什么模型來做，然后我們就可以在sklearn中定義模型了。sklearn為所有模型提供了非常相似的接口，這樣使得我們可以更加快速的熟悉所有模型的用法。在這之前我們先來看看模型的常用屬性和功能：
# 擬合模型 model.fit(X_train, y_train) # 模型預測 model.predict(X_test) # 獲得這個模型的參數(shù) model.get_params() # 為模型進行打分 model.score(data_X, data_y) # 線性回歸：R square； 分類問題： acc
4.1 線性回歸
from sklearn.linear_model import LinearRegression # 定義線性回歸模型 model = LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1) """ 參數(shù) --- fit_intercept：是否計算截距。False-模型沒有截距 normalize： 當fit_intercept設置為False時，該參數(shù)將被忽略。 如果為真，則回歸前的回歸系數(shù)X將通過減去平均值并除以l2-范數(shù)而歸一化。 n_jobs：指定線程數(shù) """
4.2 邏輯回歸LR
from sklearn.linear_model import LogisticRegression # 定義邏輯回歸模型 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) """參數(shù) --- penalty：使用指定正則化項（默認：l2） dual: n_samples > n_features取False（默認） C：正則化強度的反，值越小正則化強度越大 n_jobs: 指定線程數(shù) random_state：隨機數(shù)生成器 fit_intercept: 是否需要常量 """
4.3 樸素貝葉斯算法NB
from sklearn import naive_bayes model = naive_bayes.GaussianNB() # 高斯貝葉斯 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) """ 文本分類問題常用MultinomialNB 參數(shù) --- alpha：平滑參數(shù) fit_prior：是否要學習類的先驗概率；false-使用統(tǒng)一的先驗概率 class_prior: 是否指定類的先驗概率；若指定則不能根據(jù)參數(shù)調整 binarize: 二值化的閾值，若為None，則假設輸入由二進制向量組成 """
4.4 決策樹DT
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) """參數(shù) --- criterion ：特征選擇準則gini/entropy max_depth：樹的最大深度，None-盡量下分 min_samples_split：分裂內部節(jié)點，所需要的最小樣本樹 min_samples_leaf：葉子節(jié)點所需要的最小樣本數(shù) max_features: 尋找最優(yōu)分割點時的最大特征數(shù) max_leaf_nodes：優(yōu)先增長到最大葉子節(jié)點數(shù) min_impurity_decrease：如果這種分離導致雜質的減少大于或等于這個值，則節(jié)點將被拆分。 """
4.5 支持向量機SVM
from sklearn.svm import SVC model = SVC(C=1.0, kernel='rbf', gamma='auto') """參數(shù) --- C：誤差項的懲罰參數(shù)C gamma: 核相關系數(shù)。浮點數(shù)，If gamma is ‘auto' then 1/n_features will be used instead. """
4.6 k近鄰算法KNN
from sklearn import neighbors #定義kNN分類模型 model = neighbors.KNeighborsClassifier(n_neighbors=5, n_jobs=1) # 分類 model = neighbors.KNeighborsRegressor(n_neighbors=5, n_jobs=1) # 回歸 """參數(shù) --- n_neighbors： 使用鄰居的數(shù)目 n_jobs：并行任務數(shù) """
4.7 多層感知機（神經(jīng)網(wǎng)絡）
from sklearn.neural_network import MLPClassifier
# 定義多層感知機分類算法
model = MLPClassifier(activation='relu', solver='adam', alpha=0.0001)
"""參數(shù)
---
hidden_layer_sizes: 元祖
activation：激活函數(shù)
solver ：優(yōu)化算法{‘lbfgs', ‘sgd', ‘adam'}
alpha：L2懲罰(正則化項)參數(shù)。
"""
5. 模型評估與選擇篇
5.1 交叉驗證
from sklearn.model_selection import cross_val_score cross_val_score(model, X, y=None, scoring=None, cv=None, n_jobs=1) """參數(shù) --- model：擬合數(shù)據(jù)的模型 cv ： k-fold scoring: 打分參數(shù)-‘accuracy'、‘f1'、‘precision'、‘recall' 、‘roc_auc'、'neg_log_loss'等等 """
5.2 檢驗曲線
使用檢驗曲線，我們可以更加方便的改變模型參數(shù)，獲取模型表現(xiàn)。
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) """參數(shù) --- model:用于fit和predict的對象 X, y: 訓練集的特征和標簽 param_name：將被改變的參數(shù)的名字 param_range： 參數(shù)的改變范圍 cv：k-fold 返回值 --- train_score: 訓練集得分（array） test_score: 驗證集得分（array） """
6. 保存模型
最后，我們可以將我們訓練好的model保存到本地，或者放到線上供用戶使用，那么如何保存訓練好的model呢？主要有下面兩種方式：
6.1 保存為pickle文件
import pickle
# 保存模型
with open('model.pickle', 'wb') as f:
pickle.dump(model, f)
# 讀取模型
with open('model.pickle', 'rb') as f:
model = pickle.load(f)
model.predict(X_test)
6.2 sklearn自帶方法
from sklearn.externals import joblib
# 保存模型
joblib.dump(model, 'model.pickle')
#載入模型
model = joblib.load('model.pickle')
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
相關文章
python3實現(xiàn)163郵箱SMTP發(fā)送郵件
這篇文章主要為大家詳細介紹了Python3實現(xiàn)163郵箱SMTP發(fā)送郵件，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-05-05
詳解pytorch tensor和ndarray轉換相關總結
這篇文章主要介紹了詳解pytorch tensor和ndarray轉換相關總結，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-09-09
這篇文章主要介紹了Python中的二維列表使用及說明，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-12-12
這篇文章主要介紹了Pycharm和Idea支持的vim插件的相關知識，本文給大家介紹的非常詳細，具有一定的參考借鑒價值,需要的朋友可以參考下2020-02-02
tensorflow實現(xiàn)打印ckpt模型保存下的變量名稱及變量值
今天小編就為大家分享一篇tensorflow實現(xiàn)打印ckpt模型保存下的變量名稱及變量值，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
Python with關鍵字，上下文管理器，@contextmanager文件操作示例
這篇文章主要介紹了Python with關鍵字，上下文管理器，@contextmanager文件操作,結合實例形式分析了Python使用with關鍵字及上下文管理器、contextmanager進行文件打開、讀寫、關閉等操作的相關實現(xiàn)技巧,需要的朋友可以參考下2019-10-10
本文主要介紹了Python元類編程實現(xiàn)一個簡單的ORM，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-03-03
python神經(jīng)網(wǎng)絡Keras構建CNN網(wǎng)絡訓練
這篇文章主要為大家介紹了python神經(jīng)網(wǎng)絡學習使用Keras構建CNN網(wǎng)絡訓練，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-05-05
這篇文章主要介紹了python 如何設置守護進程，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-10-10
Python列表排序方法reverse、sort、sorted詳解
這篇文章主要介紹了Python列表排序方法reverse、sort、sorted詳解,需要的朋友可以參考下2021-04-04