sklearn 快速入门教程
本教程使用于对理论知识具有一定的了解但编码能力稍弱且对sklearn不太了解的同学
本文为转载文章,原文地址:https://www.cnblogs.com/lianyingteng/p/7811126.html
传统的机器学习任务从开始到建模的一般流程是:获取数据 -> 数据预处理 -> 训练建模 -> 模型评估 -> 预测,分类。本文我们将依据传统机器学习的流程,看看在每一步流程中都有哪些常用的函数以及它们的用法是怎么样的。希望你看完这篇文章可以最为快速的开始你的学习任务。
1. 获取数据
1.1 导入sklearn数据集
sklearn中包含了大量的优质的数据集,在你学习机器学习的过程中,你可以通过使用这些数据集实现出不同的模型,从而提高你的动手实践能力,同时这个过程也可以加深你对理论知识的理解和把握。(这一步我也亟需加强,一起加油!^-^)
首先呢,要想使用sklearn中的数据集,必须导入datasets模块:
from sklearn import datasets
下图中包含了大部分sklearn中数据集,调用方式也在图中给出,这里我们拿iris的数据来举个例子:
iris = datasets.load_iris() # 导入数据集X = iris.data # 获得其特征向量y = iris.target # 获得样本label
1.2 创建数据集
你除了可以使用sklearn自带的数据集,还可以自己去创建训练样本,具体用法参见《Dataset loading utilities》,这里我们简单介绍一些,sklearn中的samples generator包含的大量创建样本数据的方法:
下面我们拿分类问题的样本生成器举例子:
from sklearn.datasets.samples_generator import make_classificationX, 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:指定样本数 # n_features:指定特征数 # n_classes:指定几分类 # random_state:随机种子,使得随机状可重
>>> 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. 数据预处理
数据预处理阶段是机器学习中不可缺少的一环,它会使得数据更加有效的被模型或者评估器识别。下面我们来看一下sklearn中有哪些平时我们常用的函数:
from sklearn import preprocessing
2.1 数据归一化
为了使得训练数据的标准化规则与测试数据的标准化规则同步,preprocessing中提供了很多Scaler:
data = [[0, 0], [0, 0], [1, 1], [1, 1]] # 1. 基于mean和std的标准化 scaler = preprocessing.StandardScaler().fit(train_data) scaler.transform(train_data) scaler.transform(test_data)# 2. 将每个特征值归一化到一个固定范围 scaler = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(train_data) scaler.transform(train_data) scaler.transform(test_data) #feature_range: 定义归一化范围,注用()括起来
2.2 正则化(normalize
)
当你想要计算两个样本的相似度时必不可少的一个操作,就是正则化。其思想是:首先求出样本的p-范数,然后该样本的所有元素都要除以该范数,这样最终使得每个样本的范数都为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编码
one-hot编码是一种对离散特征值的编码方式,在LR模型中常用到,用于给线性模型增加非线性能力。
data = [[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]] encoder = preprocessing.OneHotEncoder().fit(data) enc.transform(data).toarray()
3. 数据集拆分
在得到训练数据集时,通常我们经常会把训练数据集进一步拆分成训练集和验证集,这样有助于我们模型参数的选取。
# 作用:将数据集划分为 训练集和测试集 # 格式:train_test_split(*arrays, **options) from sklearn.mode_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) """ 参数 --- arrays:样本数组,包含特征向量和标签test_size:float-获得多大比重的测试样本 (默认:0.25)int - 获得多少个测试样本train_size: 同test_sizerandom_state:int - 随机种子(种子固定,实验可复现)shuffle - 是否在分割之前对数据进行洗牌(默认True)返回 --- 分割后的列表,长度=2*len(arrays), (train-test split) """
4. 定义模型
在这一步我们首先要分析自己数据的类型,搞清出你要用什么模型来做,然后我们就可以在sklearn中定义模型了。sklearn为所有模型提供了非常相似的接口,这样使得我们可以更加快速的熟悉所有模型的用法。在这之前我们先来看看模型的常用属性和功能:
# 拟合模型 model.fit(X_train, y_train) # 模型预测 model.predict(X_test)# 获得这个模型的参数 model.get_params() # 为模型进行打分 model.score(data_X, data_y) # 线性回归:R square; 分类问题: acc
4.1 线性回归
from sklearn.linear_model import LinearRegression # 定义线性回归模型 model = LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1) """ 参数 ---fit_intercept:是否计算截距。False-模型没有截距normalize: 当fit_intercept设置为False时,该参数将被忽略。 如果为真,则回归前的回归系数X将通过减去平均值并除以l2-范数而归一化。n_jobs:指定线程数 """
4.2 逻辑回归LR
from sklearn.linear_model import LogisticRegression # 定义逻辑回归模型 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)"""参数 ---penalty:使用指定正则化项(默认:l2)dual: n_samples > n_features取False(默认)C:正则化强度的反,值越小正则化强度越大n_jobs: 指定线程数random_state:随机数生成器fit_intercept: 是否需要常量 """
4.3 朴素贝叶斯算法NB
from sklearn import naive_bayes model = naive_bayes.GaussianNB() # 高斯贝叶斯 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) """ 文本分类问题常用MultinomialNB 参数 ---alpha:平滑参数fit_prior:是否要学习类的先验概率;false-使用统一的先验概率class_prior: 是否指定类的先验概率;若指定则不能根据参数调整binarize: 二值化的阈值,若为None,则假设输入由二进制向量组成
4.4 决策树DT
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) """参数 ---criterion :特征选择准则gini/entropymax_depth:树的最大深度,None-尽量下分min_samples_split:分裂内部节点,所需要的最小样本树min_samples_leaf:叶子节点所需要的最小样本数max_features: 寻找最优分割点时的最大特征数max_leaf_nodes:优先增长到最大叶子节点数min_impurity_decrease:如果这种分离导致杂质的减少大于或等于这个值,则节点将被拆分。 """
4.5 支持向量机SVM
![](/assets/blank.gif)
from sklearn.svm import SVC model = SVC(C=1.0, kernel=’rbf’, gamma=’auto’) """参数 ---C:误差项的惩罚参数Cgamma: 核相关系数。浮点数,If gamma is ‘auto’ then 1/n_features will be used instead. """
![](/assets/blank.gif)
4.6 k近邻算法KNN
![](/assets/blank.gif)
from sklearn import neighbors #定义kNN分类模型 model = neighbors.KNeighborsClassifier(n_neighbors=5, n_jobs=1) # 分类 model = neighbors.KNeighborsRegressor(n_neighbors=5, n_jobs=1) # 回归 """参数 ---n_neighbors: 使用邻居的数目n_jobs:并行任务数 """
![](/assets/blank.gif)
4.7 多层感知机(神经网络)
![](/assets/blank.gif)
from sklearn.neural_network import MLPClassifier # 定义多层感知机分类算法 model = MLPClassifier(activation='relu', solver='adam', alpha=0.0001) """参数 ---hidden_layer_sizes: 元祖activation:激活函数solver :优化算法{‘lbfgs’, ‘sgd’, ‘adam’}alpha:L2惩罚(正则化项)参数。 """
![](/assets/blank.gif)
5. 模型评估与选择篇
5.1 交叉验证
![](/assets/blank.gif)
from sklearn.model_selection import cross_val_score cross_val_score(model, X, y=None, scoring=None, cv=None, n_jobs=1) """参数 ---model:拟合数据的模型cv : k-foldscoring: 打分参数-‘accuracy’、‘f1’、‘precision’、‘recall’ 、‘roc_auc’、'neg_log_loss'等等 """
![](/assets/blank.gif)
5.2 检验曲线
使用检验曲线,我们可以更加方便的改变模型参数,获取模型表现。
![](/assets/blank.gif)
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) """参数 ---model:用于fit和predict的对象X, y: 训练集的特征和标签param_name:将被改变的参数的名字param_range: 参数的改变范围cv:k-fold返回值 ---train_score: 训练集得分(array)test_score: 验证集得分(array) """
![](/assets/blank.gif)
例子
6. 保存模型
最后,我们可以将我们训练好的model保存到本地,或者放到线上供用户使用,那么如何保存训练好的model呢?主要有下面两种方式:
6.1 保存为pickle文件
![](/assets/blank.gif)
import pickle# 保存模型 with open('model.pickle', 'wb') as f:pickle.dump(model, f)# 读取模型 with open('model.pickle', 'rb') as f:model = pickle.load(f) model.predict(X_test)
![](/assets/blank.gif)
6.2 sklearn自带方法joblib
![](/assets/blank.gif)
from sklearn.externals import joblib# 保存模型 joblib.dump(model, 'model.pickle')#载入模型 model = joblib.load('model.pickle')
sklearn 快速入门教程相关推荐
- sklearn快速入门教程:补充内容 -- sklearn模型评价指标汇总(聚类、分类、回归)
sklearn集成了大多数模型评价指标,这可以很大程度上方便我们的使用,尤其在对进行进行自动调参时可以方便我们进行选择. 做下这个笔记主要是为了补充之前的内容:sklearn快速入门教程:(四)模型自 ...
- sklearn快速入门教程:(五)集成学习
sklearn快速入门教程–(五)集成学习 一.集成学习简述 集成学习是目前各类竞赛和工程中应用最广泛的模型提升方法.比如在kaggle中就有关于集成学习的介绍(Kaggle模型融合原文).这里所谓的 ...
- sklearn快速入门教程:(四)模型自动调参
上个教程中我们已经看到在sklearn中调用机器学习模型其实非常简单.但要获得较好的预测效果则需要选取合适的超参数.在实际的项目中其实也有不少参数是由工程师借助其经验手动调整的,但在许多场景下这种方式 ...
- sklearn快速入门教程:(三)机器学习的通用模式及实现方法
一.从线性回归总结机器学习的通用模式 从上篇博客我们详细讲述了线性回归的实现方式.线性回归的调用方式实际上是sklearn的典型方式,在掌握这个方法之后我们继续进一步深入,探索其它的模型的使用. 回顾 ...
- sklearn快速入门教程:(二)线性回归
文章目录 一.从本文起学会快速阅读和学习 二.线性回归的原理回顾及官方文档 三.官方文档的分析 四.举一反三 五.小结 一.从本文起学会快速阅读和学习 本来是想把关于快速阅读的说明写在前一节,但最后还 ...
- sklearn快速入门教程:(一)准备工作
sklearn快速入门教程 – 准备工作 1. 前言 sklearn全称 scikit-learn,它是一个集成了目前市面上最常用的机器学习模型的库,使用起来非常轻松简单,因此获得了广泛的应用. 从官 ...
- sklearn快速入门教程 -- 机器学习工具的快速入门指引
本系列教程旨在提供一个直观.快速的入门指引,从应用的角度进行阐述,提供框架性的理解方式. 全程共5篇教程.若抛开下载和安装的过程,应在2小时左右全部阅读和动手测试完成. (一)准备工作 (二)线性回归 ...
- sklearn快速入门教程:独热编码
import pandas as pd data = pd.read_csv(r"D:\本科\kaggle数据挖掘\titanic\train.csv", index_col = ...
- sklearn快速入门教程:处理分类型数据
许多特征不是用数字来表达的,而是文字语言,如:北京.上海.广州.深圳.为了适应算法和库,要将文字型数据转换成数值型. import pandas as pd data = pd.read_csv(r& ...
最新文章
- 基于微软企业库的AOP组件(含源码)
- Linux qt程序打包依赖库,Linux打包免安装的Qt程序(编写导出依赖包的脚本copylib.sh,程序启动脚本MyApp.sh)...
- 20172315 2018-2019-1《程序设计与数据结构》课程总结
- $bzoj1046-HAOI2007$ 上升子序列 $dp$ 贪心
- 【树状数组】【P3608】平衡的照片
- AP计算机科学内容HTML,3分钟读懂AP计算机科学原理和计算机科学A的区别!
- linux下的遥控器软件下载,万能遥控器软件
- 二叉树的python实现
- postgresql兼容MySQL on update current_timestamp
- 从 ADNI 的 XML 文件中读取临床信息
- 2020年南京大学计算机系九推面试
- windows7英文系统如何将电脑屏幕背景色改成保护眼睛的淡绿色
- VS运行错误提示:未处理的异常0xC000 0005
- 利用Hashcat破解WiFi密码
- ZFS详解及具体操作代码及流程
- Flutter开发学习课程携程app开发(一)
- 推荐一个在线画图网站
- python用户登陆程序 要求用户名和密码_python开发基础作业01:模拟登陆系统
- android加载efi分区,节约磁盘空间! 删除安卓 EFI-PE分区教程
- a case study