一、轉(zhuǎn)換器和估計(jì)器

1. 轉(zhuǎn)換器

想一下之前做的特征工程的步驟？

• 1、實(shí)例化 (實(shí)例化的是一個(gè)轉(zhuǎn)換器類(Transformer))
• 2、調(diào)用fit_transform(對(duì)于文檔建立分類詞頻矩陣，不能同時(shí)調(diào)用)

我們把特征工程的接口稱之為轉(zhuǎn)換器，其中轉(zhuǎn)換器調(diào)用有這么幾種形式：

• 標(biāo)準(zhǔn)化：(x - mean) / std
• fit_transform()：fit() 計(jì)算 每一列的平均值、標(biāo)準(zhǔn)差，transform() (x - mean) / std進(jìn)行最終的轉(zhuǎn)換

這幾個(gè)方法之間的區(qū)別是什么呢？我們看以下代碼就清楚了

In [1]: from sklearn.preprocessing import StandardScaler
In [2]: std1 = StandardScaler()
In [3]: a = [[1,2,3], [4,5,6]]
In [4]: std1.fit_transform(a)
Out[4]:
array([[-1., -1., -1.],
       [ 1.,  1.,  1.]])
In [5]: std2 = StandardScaler()
In [6]: std2.fit(a)
Out[6]: StandardScaler(copy=True, with_mean=True, with_std=True)
In [7]: std2.transform(a)
Out[7]:
array([[-1., -1., -1.],
       [ 1.,  1.,  1.]])

從中可以看出，fit_transform的作用相當(dāng)于transform加上fit。

但是為什么還要提供單獨(dú)的fit呢, 我們還是使用原來(lái)的std2來(lái)進(jìn)行標(biāo)準(zhǔn)化看看：

In [8]: b = [[7,8,9], [10, 11, 12]]
In [9]: std2.transform(b)
Out[9]:
array([[3., 3., 3.],
       [5., 5., 5.]])
In [10]: std2.fit_transform(b)
Out[10]:
array([[-1., -1., -1.],
       [ 1.,  1.,  1.]])

2.估計(jì)器(sklearn機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn))

在sklearn中，估計(jì)器(estimator)是一個(gè)重要的角色，是一類實(shí)現(xiàn)了算法的API

• 1 實(shí)例化一個(gè)estimator
• 2 estimator.fit(x_train, y_train) 計(jì)算—— 調(diào)用完畢，模型生成
• 3 模型評(píng)估：1）直接比對(duì)真實(shí)值和預(yù)測(cè)值y_predict = estimator.predict(x_test)
  y_test == y_predict
  2）計(jì)算準(zhǔn)確率accuracy = estimator.score(x_test, y_test)

種類：1、用于分類的估計(jì)器：

• sklearn.neighbors k-近鄰算法
• sklearn.naive_bayes 貝葉斯
• sklearn.linear_model.LogisticRegression 邏輯回歸
• sklearn.tree 決策樹(shù)與隨機(jī)森林

2、用于回歸的估計(jì)器：

• sklearn.linear_model.LinearRegression 線性回歸
• sklearn.linear_model.Ridge 嶺回歸

3、用于無(wú)監(jiān)督學(xué)習(xí)的估計(jì)器

• sklearn.cluster.KMeans 聚類

3.估計(jì)器工作流程

二、K-近鄰算法

1.K-近鄰算法(KNN)

你的“鄰居”來(lái)推斷出你的類別

2. 定義

如果一個(gè)樣本在特征空間中的k個(gè)最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。

來(lái)源：KNN算法最早是由Cover和Hart提出的一種分類算法

3. 距離公式

兩個(gè)樣本的距離可以通過(guò)如下公式計(jì)算，又叫歐式距離

三、電影類型分析

假設(shè)我們有現(xiàn)在幾部電影：

其中？ 號(hào)電影不知道類別，如何去預(yù)測(cè)？我們可以利用K近鄰算法的思想

1 問(wèn)題

如果取的最近的電影數(shù)量不一樣？會(huì)是什么結(jié)果？
k = 1 愛(ài)情片
k = 2 愛(ài)情片
……
k = 6 無(wú)法確定
k = 7 動(dòng)作片

如果取的最近的電影數(shù)量不一樣？會(huì)是什么結(jié)果？

• - k 值取得過(guò)小，容易受到異常點(diǎn)的影響
• - k 值取得過(guò)大，樣本不均衡的影響

2 K-近鄰算法數(shù)據(jù)的特征工程處理

結(jié)合前面的約會(huì)對(duì)象數(shù)據(jù)，分析K-近鄰算法需要做什么樣的處理

• 無(wú)量綱化的處理
• 標(biāo)準(zhǔn)化

四、K-近鄰算法API

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’)n_neighbors：k值

• n_neighbors：int,可選（默認(rèn)= 5），k_neighbors查詢默認(rèn)使用的鄰居數(shù)
• algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可選用于計(jì)算最近鄰居的算法：‘ball_tree’將會(huì)使用 BallTree，‘kd_tree’將使用 KDTree。‘auto’將嘗試根據(jù)傳遞給fit方法的值來(lái)決定最合適的算法。 (不同實(shí)現(xiàn)方式影響效率)

1.步驟

鳶尾花種類預(yù)測(cè)：數(shù)據(jù)，我們用的就是sklearn中自帶的鳶尾花數(shù)據(jù)。

• 1）獲取數(shù)據(jù)
• 2）數(shù)據(jù)集劃分
• 3）特征工程
• 標(biāo)準(zhǔn)化
• 4）KNN預(yù)估器流程
• 5）模型評(píng)估

2.代碼

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
def knn_iris():
    """
    用KNN算法對(duì)鳶尾花進(jìn)行分類
    :return:
    """
    # 1）獲取數(shù)據(jù)
    iris = load_iris()

    # 2）劃分?jǐn)?shù)據(jù)集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)

    # 3）特征工程：標(biāo)準(zhǔn)化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)

    # 4）KNN算法預(yù)估器
    estimator = KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train, y_train)

    # 5）模型評(píng)估
    # 方法1：直接比對(duì)真實(shí)值和預(yù)測(cè)值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接比對(duì)真實(shí)值和預(yù)測(cè)值:\n", y_test == y_predict)
    # 方法2：計(jì)算準(zhǔn)確率
    score = estimator.score(x_test, y_test)
    print("準(zhǔn)確率為：\n", score)
    return None

3.結(jié)果及分析

結(jié)果分析：準(zhǔn)確率： 分類算法的評(píng)估之一

1、k值取多大？有什么影響？
k值取很?。喝菀资艿疆惓｜c(diǎn)的影響

k值取很大：受到樣本均衡的問(wèn)題

2、性能問(wèn)題？
距離計(jì)算上面，時(shí)間復(fù)雜度高

五、K-近鄰總結(jié)

優(yōu)點(diǎn)：簡(jiǎn)單，易于理解，易于實(shí)現(xiàn)，無(wú)需訓(xùn)練

缺點(diǎn)：

• 懶惰算法，對(duì)測(cè)試樣本分類時(shí)的計(jì)算量大，內(nèi)存開(kāi)銷大
• 必須指定K值，K值選擇不當(dāng)則分類精度不能保證

使用場(chǎng)景： 小數(shù)據(jù)場(chǎng)景，幾千～幾萬(wàn)樣本，具體場(chǎng)景具體業(yè)務(wù)去測(cè)試

到此這篇關(guān)于Python sklearn轉(zhuǎn)換器估計(jì)器和K-近鄰算法的文章就介紹到這了,更多相關(guān)Python sklearn 內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論