【机器学习】机器学习神器Scikit-Learn保姆级入门教程

公众号：尤而小屋
作者：Peter
编辑：Peter

Scikit-learn是一个非常知名的Python机器学习库，它广泛地用于统计分析和机器学习建模等数据科学领域。

建模无敌：用户通过scikit-learn能够实现各种监督和非监督学习的模型
功能多样：同时使用sklearn还能够进行数据的预处理、特征工程、数据集切分、模型评估等工作
数据丰富：内置丰富的数据集，比如：泰坦尼克、鸢尾花等，数据不再愁啦

本篇文章通过简明快要的方式来介绍scikit-learn的使用，更多详细内容请参考官网：

内置数据集使用
数据集切分
数据归一化和标准化
类型编码
建模6步曲

Scikit-learn使用神图

下面这张图是官网提供的，从样本量的大小开始，分为回归、分类、聚类、数据降维共4个方面总结了scikit-learn的使用：

https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html

安装

关于安装scikit-learn，建议通过使用anaconda来进行安装，不用担心各种配置和环境问题。当然也可以直接pip来安装：

pip install scikit-learn

数据集生成

sklearn内置了一些优秀的数据集，比如：Iris数据、房价数据、泰坦尼克数据等。

import pandas as pd
import numpy as npimport sklearn
from sklearn import datasets  # 导入数据集

分类数据-iris数据

# iris数据
iris = datasets.load_iris()
type(iris)sklearn.utils.Bunch

iris数据到底是什么样子？每个内置的数据都存在很多的信息

可以将上面的数据生成我们想看到的DataFrame，还可以添加因变量：

回归数据-波士顿房价

我们重点关注的属性：

data
target、target_names
feature_names
filename

同样可以生成DataFrame：

三种方式生成数据

方式1

#调用模块
from sklearn.datasets import load_iris
data = load_iris()#导入数据和标签
data_X = data.data
data_y = data.target

方式2

from sklearn import datasets
loaded_data = datasets.load_iris()  # 导入数据集的属性#导入样本数据
data_X = loaded_data.data
# 导入标签
data_y = loaded_data.target

方式3

# 直接返回
data_X, data_y = load_iris(return_X_y=True)

数据集使用汇总

from sklearn import datasets  # 导入库boston = datasets.load_boston()  # 导入波士顿房价数据
print(boston.keys())  # 查看键(属性)     ['data','target','feature_names','DESCR', 'filename']
print(boston.data.shape,boston.target.shape)  # 查看数据的形状
print(boston.feature_names)  # 查看有哪些特征
print(boston.DESCR)  # described 数据集描述信息
print(boston.filename)  # 文件路径

数据切分

# 导入模块
from sklearn.model_selection import train_test_split
# 划分为训练集和测试集数据
X_train, X_test, y_train, y_test = train_test_split(data_X, data_y, test_size=0.2,random_state=111
)# 150*0.8=120
len(X_train)

数据标准化和归一化

from sklearn.preprocessing import StandardScaler  # 标准化
from sklearn.preprocessing import MinMaxScaler  # 归一化# 标准化
ss = StandardScaler()
X_scaled = ss.fit_transform(X_train)  # 传入待标准化的数据# 归一化
mm = MinMaxScaler()
X_scaled = mm.fit_transform(X_train)

类型编码

来自官网案例：https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.LabelEncoder.html

对数字编码

对字符串编码

建模案例

导入模块

from sklearn.neighbors import KNeighborsClassifier, NeighborhoodComponentsAnalysis  # 模型
from sklearn.datasets import load_iris  # 导入数据
from sklearn.model_selection import train_test_split  # 切分数据
from sklearn.model_selection import GridSearchCV  # 网格搜索
from sklearn.pipeline import Pipeline  # 流水线管道操作from sklearn.metrics import accuracy_score  # 得分验证

模型实例化

# 模型实例化
knn = KNeighborsClassifier(n_neighbors=5)

训练模型

knn.fit(X_train, y_train)

KNeighborsClassifier()

测试集预测

y_pred = knn.predict(X_test)
y_pred  # 基于模型的预测值

array([0, 0, 2, 2, 1, 0, 0, 2, 2, 1, 2, 0, 1, 2, 2, 0, 2, 1, 0, 2, 1, 2,1, 1, 2, 0, 0, 2, 0, 2])

得分验证

模型得分验证的两种方式：

knn.score(X_test,y_test)

0.9333333333333333

accuracy_score(y_pred,y_test)

0.9333333333333333

网格搜索

如何搜索参数

from sklearn.model_selection import GridSearchCV# 搜索的参数
knn_paras = {"n_neighbors":[1,3,5,7]}
# 默认的模型
knn_grid = KNeighborsClassifier()# 网格搜索的实例化对象
grid_search = GridSearchCV(knn_grid, knn_paras, cv=10  # 10折交叉验证
)
grid_search.fit(X_train, y_train)

GridSearchCV(cv=10, estimator=KNeighborsClassifier(),param_grid={'n_neighbors': [1, 3, 5, 7]})

# 通过搜索找到的最好参数值
grid_search.best_estimator_

KNeighborsClassifier(n_neighbors=7)

grid_search.best_params_

Out[42]:

{'n_neighbors': 7}

grid_search.best_score_

0.975

基于搜索结果建模

knn1 = KNeighborsClassifier(n_neighbors=7)knn1.fit(X_train, y_train)

KNeighborsClassifier(n_neighbors=7)

通过下面的结果可以看到：网格搜索之后的建模效果是优于未使用网格搜索的模型：

y_pred_1 = knn1.predict(X_test)knn1.score(X_test,y_test)

1.0

accuracy_score(y_pred_1,y_test)

1.0

往期精彩回顾适合初学者入门人工智能的路线及资料下载中国大学慕课《机器学习》（黄海广主讲）机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载本站qq群955171419，加入微信群请扫码：