scikit-learn是一个基于NumPy、SciPy、Matplotlib的开源机器学习工具包，采用Python语言编写，主要涵盖分类、

回归和聚类等算法，例如knn、SVM、逻辑回归、朴素贝叶斯、随机森林、k-means等等诸多算法，官网上代码和文档

都非常不错，对于机器学习开发者来说，是一个使用方便而强大的工具，节省不少开发时间。

scikit-learn官网指南：http://scikit-learn.org/stable/user_guide.html

上一篇文章《大数据竞赛平台—Kaggle入门》  我分两部分内容介绍了Kaggle，在第二部分中，我记录了解决Kaggle上的竞赛项目DigitRecognition的整个过程，当时我是用自己写的kNN算法，尽管自己写歌kNN算法并不会花很多时间，但是当我们想尝试更多、更复杂的算法，如果每个算法都自己实现的话，会很浪费时间，这时候scikit-learn就发挥作用了，我们可以直接调用scikit-learn的算法包。当然，对于初学者来说，最好还是在理解了算法的基础上，来调用这些算法包，如果有时间，自己完整地实现一个算法相信会让你对算法掌握地更深入。

OK，话休絮烦，下面进入第二部分。

我发现自己很喜欢用DigitRecognition这个问题来练习分类算法，因为足够简单。如果你还不知道DigitRecognition问题是什么，请先简单了解一下：Kaggle DigitRecognition ，在我上一篇文章中也有描述：《大数据竞赛平台—Kaggle入门》 。下面我使用scikit-learn中的算法包kNN（k近邻）、SVM（支持向量机）、NB（朴素贝叶斯）来解决这个问题，解决问题的关键步骤有两个：1、处理数据。2、调用算法。

这一部分与上一篇文章《大数据竞赛平台—Kaggle入门》 中第二部分的数据处理是一样的，本文不打算重复，下面只简单地罗列各个函数及其功能，在本文最后部分也有详细的代码。

1. def loadTrainData():
2. #这个函数从train.csv文件中获取训练样本:trainData、trainLabel
3. def loadTestData():
4. #这个函数从test.csv文件中获取测试样本:testData
5. def toInt(array):
6. def nomalizing(array):
7. #这两个函数在loadTrainData()和loadTestData()中被调用
8. #toInt()将字符串数组转化为整数，nomalizing()归一化整数
9. def loadTestResult():
10. #这个函数加载测试样本的参考label，是为了后面的比较
11. def saveResult(result,csvName):
12. #这个函数将result保存为csv文件，以csvName命名

“处理数据”部分，我们从train.csv、test.csv文件中获取了训练样本的feature、训练样本的label、测试样本的feature，在程序中我们用trainData、trainLabel、testData表示。

kNN算法

kNN算法包可以自己设定参数k，默认k=5，上面的comments有说明。

SVM算法

SVC()的参数有很多，核函数默认为'rbf'（径向基函数）,C默认为1.0

朴素贝叶斯算法

上面我尝试了两种朴素贝叶斯算法:高斯分布的和多项式分布的。多项式分布的函数有参数alpha可以自设定。

更加详细的使用，推荐上官网查看：http://scikit-learn.org/stable/modules/naive_bayes.html

使用方法总结： 

第一步：首先确定使用哪种分类器，这一步可以设置各种参数，比如:

1. svcClf=svm.SVC(C=5.0)

第二步：接这个分类器要使用哪些训练数据？调用fit方法，比如:

fit(X,y)说明：

X:  对应trainData

array-like, shape = [n_samples, n_features]，X是训练样本的特征向量集，n_samples行n_features列，即每个训练样本占一行，每个训练样本有多少特征就有多少列。

y:  对应trainLabel

array-like, shape = [n_samples]，y必须是一个行向量，这也是上面为什么使用numpy.ravel()函数的原因。

第三步：使用分类器预测测试样本，比如：

调用predict方法。

第四步：保存结果，这一步是取决于我们解决问题的要求，因为本文以DigitRecognition为例，所以有：

（3）make a submission

上面基本就是整个开发过程了，下面看一下各个算法的效果，在Kaggle上make a submission

knn算法的效果，准确率95.871%

朴素贝叶斯，alpha=1.0，准确率81.043%

SVM，linear核，准确率93.943%

CSDN下载：Kaggle 入门-使用scikit-learn解决DigitRecoginition

Github：https://github.com/wepe/Kaggle-Solution

贴一下代码：

1. #!/usr/bin/python
2. # -*- coding: utf-8 -*-
3. """
4. Created on Tue Dec 16 21:59:00 2014
5. @author: wepon
6. @blog:http://blog.csdn.net/u012162613
7. """
8. from numpy import *
9. import csv
10. def toInt(array):
11. array=mat(array)
12. m,n=shape(array)
13. newArray=zeros((m,n))
14. for i in xrange(m):
15. for j in xrange(n):
16. newArray[i,j]=int(array[i,j])
17. return newArray
18. def nomalizing(array):
19. m,n=shape(array)
20. for i in xrange(m):
21. for j in xrange(n):
22. if array[i,j]!=0:
23. array[i,j]=1
24. return array
25. def loadTrainData():
26. l=[]
27. with open('train.csv') as file:
28. lines=csv.reader(file)
29. for line in lines:
30. l.append(line) #42001*785
31. l.remove(l[0])
32. l=array(l)
33. label=l[:,0]
34. data=l[:,1:]
35. return nomalizing(toInt(data)),toInt(label)  #label 1*42000  data 42000*784
36. #return trainData,trainLabel
37. def loadTestData():
38. l=[]
39. with open('test.csv') as file:
40. lines=csv.reader(file)
41. for line in lines:
42. l.append(line)#28001*784
43. l.remove(l[0])
44. data=array(l)
45. return nomalizing(toInt(data))  #  data 28000*784
46. #return testData
47. def loadTestResult():
48. l=[]
49. with open('knn_benchmark.csv') as file:
50. lines=csv.reader(file)
51. for line in lines:
52. l.append(line)#28001*2
53. l.remove(l[0])
54. label=array(l)
55. return toInt(label[:,1])  #  label 28000*1
56. #result是结果列表
57. #csvName是存放结果的csv文件名
58. def saveResult(result,csvName):
59. with open(csvName,'wb') as myFile:
60. myWriter=csv.writer(myFile)
61. for i in result:
62. tmp=[]
63. tmp.append(i)
64. myWriter.writerow(tmp)
65. #调用scikit的knn算法包
66. from sklearn.neighbors import KNeighborsClassifier
67. def knnClassify(trainData,trainLabel,testData):
68. knnClf=KNeighborsClassifier()#default:k = 5,defined by yourself:KNeighborsClassifier(n_neighbors=10)
69. knnClf.fit(trainData,ravel(trainLabel))
70. testLabel=knnClf.predict(testData)
71. saveResult(testLabel,'sklearn_knn_Result.csv')
72. return testLabel
73. #调用scikit的SVM算法包
74. from sklearn import svm
75. def svcClassify(trainData,trainLabel,testData):
76. svcClf=svm.SVC(C=5.0) #default:C=1.0,kernel = 'rbf'. you can try kernel:‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’
77. svcClf.fit(trainData,ravel(trainLabel))
78. testLabel=svcClf.predict(testData)
79. saveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')
80. return testLabel
81. #调用scikit的朴素贝叶斯算法包,GaussianNB和MultinomialNB
82. from sklearn.naive_bayes import GaussianNB      #nb for 高斯分布的数据
83. def GaussianNBClassify(trainData,trainLabel,testData):
84. nbClf=GaussianNB()
85. nbClf.fit(trainData,ravel(trainLabel))
86. testLabel=nbClf.predict(testData)
87. saveResult(testLabel,'sklearn_GaussianNB_Result.csv')
88. return testLabel
89. from sklearn.naive_bayes import MultinomialNB   #nb for 多项式分布的数据
90. def MultinomialNBClassify(trainData,trainLabel,testData):
91. nbClf=MultinomialNB(alpha=0.1)      #default alpha=1.0,Setting alpha = 1 is called Laplace smoothing, while alpha < 1 is called Lidstone smoothing.
92. nbClf.fit(trainData,ravel(trainLabel))
93. testLabel=nbClf.predict(testData)
94. saveResult(testLabel,'sklearn_MultinomialNB_alpha=0.1_Result.csv')
95. return testLabel
96. def digitRecognition():
97. trainData,trainLabel=loadTrainData()
98. testData=loadTestData()
99. #使用不同算法
100. result1=knnClassify(trainData,trainLabel,testData)
101. result2=svcClassify(trainData,trainLabel,testData)
102. result3=GaussianNBClassify(trainData,trainLabel,testData)
103. result4=MultinomialNBClassify(trainData,trainLabel,testData)
104. #将结果与跟给定的knn_benchmark对比,以result1为例
105. resultGiven=loadTestResult()
106. m,n=shape(testData)
107. different=0      #result1中与benchmark不同的label个数，初始化为0
108. for i in xrange(m):
109. if result1[i]!=resultGiven[0,i]:
110. different+=1
111. print different