这篇文章主要介绍了Python机器学习工具scikit-learn的使用笔记,帮助大家更好的理解和使用python,感兴趣的朋友可以了解下
scikit-learn 是基于 Python 语言的机器学习工具
- 简单高效的数据挖掘和数据分析工具
- 可供大家在各种环境中重复使用
- 建立在 NumPy ,SciPy 和 matplotlib 上
- 开源,可商业使用 - BSD许可证
sklearn 中文文档:http://www.scikitlearn.com.cn/
官方文档:http://scikit-learn.org/stable/
sklearn官方文档的内容和结构如下:
sklearn是基于numpy和scipy的一个机器学习算法库,设计的非常优雅,它让我们能够使用同样的接口来实现所有不同的算法调用。
sklearn库的四大机器学习算法:分类,回归,聚类,降维。其中:
- 常用的回归:线性、决策树、SVM、KNN ;集成回归:随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
- 常用的分类:线性、决策树、SVM、KNN,朴素贝叶斯;集成分类:随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
- 常用聚类:k均值(K-means)、层次聚类(Hierarchical clustering)、DBSCAN
- 常用降维:LinearDiscriminantAnalysis、PCA
还包含了特征提取、数据处理和模型评估三大模块。
同时sklearn内置了大量数据集,节省了获取和整理数据集的时间。
使用sklearn进行机器学习的步骤一般分为:导入模块-创建数据-建立模型-训练-预测五步。
以下为代码笔记
有需要文章学习笔记、源码的小伙伴可如上获取~
- 一、数据获取
- *****************
- """
- ##1.1 导入sklearn数据集
- from sklearn import datasets
- 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
- 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
- # 查看数据集
- 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]
- """
- """
- *****************
- 二、数据预处理
- *****************
- """
- from sklearn import preprocessing
- ##2.1 数据归一化
- 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
- X = [[ 1., -1., 2.],
- [ 2., 0., 0.],
- [ 0., 1., -1.]]
- X_normalized = preprocessing.normalize(X, norm='l2')
- print(X_normalized)
- """
- array([[ 0.40..., -0.40..., 0.81...],
- [ 1. ..., 0. ..., 0. ...],
- [ 0. ..., 0.70..., -0.70...]])
- """
- ## 2.3 One-Hot编码
- data = [[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]]
- encoder = preprocessing.OneHotEncoder().fit(data)
- enc.transform(data).toarray()
- """
- *****************
- 三、数据集拆分
- *****************
- """
- # 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_split
- X_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_size
- random_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)
- """
- """
- *****************
- 四、定义模型
- *****************
- """
- ## 模型常用属性和工鞥呢
- # 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
- 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
- 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)
- """参数
- ---
- criterion :特征选择准则gini/entropy
- max_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
- 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C
- gamma: 核相关系数。浮点数,If gamma is ‘auto' then 1/n_features will be used instead.
- """
- ## 4.6 k近邻算法 KNN
- 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
- """
- ## 4.7 多层感知机
- 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。
- """
- """
- *****************
- 五、模型评估与选择
- *****************
- """
- ## 5.1 交叉验证
- 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-fold
- scoring: 打分参数-‘accuracy'、‘f1'、‘precision'、‘recall' 、‘roc_auc'、'neg_log_loss'等等
- """
- ## 5.2 检验曲线
- 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)
- """
- """
- *****************
- 六、保存模型
- *****************
- """
- ## 6.1 保存为pickle文件
- 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)
- ## 6.2 sklearn方法自带joblib
- from sklearn.externals import joblib
- # 保存模型
- joblib.dump(model, 'model.pickle')
- #载入模型
- model = joblib.load('model.pickle')
以上就是Python机器学习工具scikit-learn的使用笔记的详细内容,更多关于Python机器学习工具scikit-learn的资料请关注小编其它相关文章!