sklearn库的使用_导入turtle库的方法

sklearn库的使用_导入turtle库的方法Sklearn库是基于Python的第三方库,它包括机器学习开发的各个方面。机器学习的开发基本分为六个步骤,1)获取数据,2)数据处理,3)特征工程,4)机器学习的算法训练(设计模型),5)模型评估,6)应用。机器学习的算法一般分为两种:一种既有目标值又有特征值的算法称之为监督学习,另一种只有特征值的算法称之为无监督学习。而监督学习还可以继续细分为分类算法和回归算法。1)获取数据⑤Sklearn中获取数据集使用的包为Sklearn.datasets,之后可以接load_*和fetch_*从Skle

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE稳定放心使用

Sklearn库是基于Python的第三方库,它包括机器学习开发的各个方面。

机器学习的开发基本分为六个步骤,
1)获取数据,
2)数据处理,
3)特征工程,
4)机器学习的算法训练(设计模型),
5)模型评估,
6)应用。

机器学习的算法一般分为两种:一种既有目标值又有特征值的算法称之为监督学习,另一种只有特征值的算法称之为无监督学习。而监督学习还可以继续细分为分类算法和回归算法。

一、获取数据

Sklearn中获取数据集使用的包为Sklearn.datasets,之后可以接load_* 和fetch_*从Sklearn为初学者提供的数据集中获取数据。

其中,load获取的是小规模的数据集,fetch获取的是大规模的数据集。

from sklearn.datasets import load_iris

iris=load_iris()

from sklearn.datasets import fetch_20newsgroups

news=fetch_20newsgroups
获取数据可以调用的方法:

.data 特征数据数组

.data.shape 特征值的数量

.target 目标值数组

.DESCR 数据描述

.feature_names 特征值的名字

.target_names 目标值的名字

数据集的返回值:

datasets.base.Bunch(继承自字典的格式)

dict[“key”]= values

bunch.key=values

可以获取对应的值

二、数据处理

获取后的数据不是可以直接使用,机器学习的模型获取需要在训练集中进行训练得出模型,而后在测试集中进行测试,所以得到的数据集需要进行划分:

Sklearn中提供可用于对数据集划分训练集和测试集的方法:

Sklearn.model_selection.train_test_split()

输入值x为数据集的特征值

输入值y为数据集的目标值

test_size 测试集的大小,一般为float

random_state 随机数种子,不用的随机数种子会产生不同的随机采样结果。

返回值的按照顺序为:训练集特征值,测试集特征值,训练集目标值,测试集目标值

from sklearn.model_selection import train_test_split

x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=22)

三、特征工程

pandas:一个非常方便的读取数据并进行基本的处理的工具

Sklearn:提供了很强大的特征处理的接口

1、特征提取:
①字典特征提取:
Sklearn.feature_extraction.DictVectorizer

DictVectorizer.fit_transform()

输入值为字典或者包含字典的迭代器

返回值为sparse矩阵,可以使用False改变返回值的类型为二维数组

DictVectorizer.inverse_transform()

输入值为数组或者sparse矩阵

返回值为转换之前的数据格式

DictVectorizer.get_feature_names()

返回值为类别的名称

应用的场景:1.类别较多,将数据集的特征转化为字典类型,再利用DictVectorizer进行转换2.拿到的是字典类型的数据

②文本特征提取:
Sklearn.feature_extraction.text.CountVectorizer(stop_words[])

stop_words:停用词指的是指定的词不在做为文本特征提取的处理对象

CountVectorizer.transfer.fit_transform()

输入值为文本字典或者包含文本字符串的迭代器

返回值为sparse矩阵,sparse矩阵使用toarray方法可以直接转换为二维数组

CountVectorizer.inverse_transform()

输入值为数组或者sparse矩阵

返回值为转换之前的数据格式

CountVectorizer.get_feature_names

返回值为类别的名称

中文分词可以使用jieba库,实现字符串的转换分词。

TFIDF文本特征抽取,利用词在一个文章中使用频率与别的文章有很大区别,来实现特征的提取。

TFIDF文本特征提取的方法:Sklearn.feature_extraction.text.TfidfVectorizer(stop_words[])

TfidfVectorizer.transfer.fit_transform()

输入值为文本字典或者包含文本字符串的迭代器

返回值为sparse矩阵,sparse矩阵使用toarray方法可以直接转换为二维数组

TfidfVectorizer.inverse_transform()

输入值为数组或者sparse矩阵

返回值为转换之前的数据格式

TfidfVectorizer.get_feature_names

返回值为类别的名称

2、特征预处理:
①归一化:

sklearn.preprocessing.MinMaxScaler(feature_range=(0,1)....)

feature_range=(0,1)数据处理后的范围

MinMaxScaler.fit_traensform()

输入值为numpy array格式的数据[n_samples,n_features] [样本数,特征数]

返回值为形状相同的array

缺点:这种方式会受到异常值的很大的影响。

②标准化:

sklearn.preprocessing.StandardScaler

不用指定范围会直接将数据处理到(0,1)的范围内,均值为0,标准差为1

StandardScaler.fit_traensform()

输入值为numpy array格式的数据[n_samples,n_features] [样本数,特征数]

返回值为形状相同的array

标准化的方法比较适合大数据的处理,在样本足够多的情况下比较稳定。

3、特征降维:

指的是降低特征的个数,除去不相关的特征。

Filter过滤式降维方法:

①方差过滤式降维:
sklearn.feature_selection.VarianceThreshold(threshold=0.0)

VarianceThreshold.fit_transform()

输入值为numpy array格式的数据[n_samples,n_features] [样本数,特征数]

返回值为删除了低方差特征的特征后的数组

②相关系数过滤式降维:

相关系数的计算方法:scipy.stats.pearsonr(x,y)

输入值为数据的特征的名称

③主成分分析(PCA)

sklearn.decomposition.PCA(n_components=None)

将数据进行处理,实现数据的降维。

n_components:

小数:保留百分之多少的信息

整数:减少到剩余多少个信息

PCA.fit_transform()

输入值为numpy array格式的数据[n_samples,n_features] [样本数,特征数]

返回值为转换之后为指定维数的数组

四、机器学习的算法训练(设计模型)

Sklearn中算法训练的基本使用:

1.实例化一个estimator类

2.estimator调用fit()方法,对送入的x_train,y_train值进行训练

3.模型评估:
y_predict=estimator.(x_test)

y_predict==y_test 或 accuracy=estimator.score(x_test,y_test)计算出准确率

分类算法:
①KNN算法:

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')

n_neighbors为K值,algorithm默认为auto,一般不用设置,会选择最佳的算法

优点:简单易于理解,易于实现

缺点:懒惰算法,计算量大,内存的开销比较大,K值的选择不一定,需要找到最适合K值才能实现好的结果。

②网格搜索与交叉验证:

sklearn.model_selection.GridSearchCV(estimator,param_grid=None,cv=None)

返回值为estiamtor对象

estimator:预估器对象

param_grid:预估器参数{“n_neighbors”:[1,3,5,7,9]}

cv:进行交叉验证的折数

可使用的方法:

.fit()输入训练数据进行训练

.score()输出训练的准确率

最佳参数:best_param_

最佳结果:best_score_

最佳预估器 :best_estimator_

交叉验证结果:cv_results_

③朴素贝叶斯算法:认定各个特征之间是相互独立的。

拉普拉斯平滑系数:分子加上α,分母加上mα(训练文档中特征词出现的个数,α值常为1)
sklearn.naive_bayes.MultinomialNB(alpha=1.0)
    优点:分类效率稳定,对缺失数据不太敏感,算法也比较简单,常用于文本分类

缺点:由于假设了特征之间的相互独立,如果所用的数据集中的特征之间存在关联,就会产生不合适的结果

④决策树:通过将特征进行排序,将影响更大的特征优先进行考虑,可以使用信息增益(信息熵-条件信息熵)作为判定的依据

sklearn.tree.DecisionTreeClassifier(criterion='gini',max_depth=None,random_state=None)

criterion:默认为’gini’,作为判定的依据,也可以改为’entropy’即为信息增益

max_depth:树的深度大小(可以通过改变深度大小,减小决策树的过拟合)

random_state:随机数种子

决策树的可视化:

sklearn.tree.export_graphviz(estimator,out_file="tree.dot ",feature_names)

feature_names在输入之后才能显示在对应的位置

优点:简单易理解,可以实现可视化

缺点:没有设置深度,容易产生过拟合

⑤随机森林:训练集随机:随机有放回抽样;特征随机:从M个特征中,抽取m个特征,M>>m

sklearn.ensemble.RandomForestClassifier(n_estimator=10,criterion='gini',max_depth=None,bootstrap=True,random_state=None,min_sample_lit=2)

max_features=“auto”:默认为“auto”,每个决策树的最大特征数量,即为m值得选取方法。

if”auto”,求平方根;if”sqrt”,求平方根;if”log2″,求log2();if None,使用M值

{“n_estimators”:[120,200,300,500,800,1200],“max_depth”:[5,8,10,15,30]}

优点:具有很好的准确率,处理高维样本很有优势

五、回归算法:
①线性回归:将目标值和特征值当做线性关系,来实现拟合,得到回归算法。线性模型不等于线性关系,参数一致的非线性关系也可以称作线性模型。

正规方程:
sklearn.linear_model.LinearRegression(fit_intercept=True)
`

fit_intercept:是否计算偏置

LinearRegression.coef_:回归系数

LinearRegression.intercept_:偏置

梯度下降:sklearn.linear_model.SGDRegressor(loss="squared_loss",fit_intercept=True,learning_rate='invscaling',eta0=0.01)

loss:损失类型,squared_loss最小二乘法的损失函数类型

max_iter:迭代次数

fit_intercept:是否计算偏置

learning_rate:string,optional(指的是步长)

‘constant’:eta=eta0

”optional”:eta=1.0/(alpha*(t+t0))[defult]

‘invscaling’:eta=eta0/pow(t,power_t) power_t=0.25

SGDRegressor.coef_:回归系数

SGDRegressor.intercept_:偏置

模型评估方法(均方误差评估)

sklearn.metrics.mean_squared_error(y_true,y_pre)

y_true:真实值

y_pre:预测值

return:浮点数结果

②岭回归:进行正则化处理时削弱某些特征值的作用,从而结果过拟合与欠拟合的问题。

L1正则化:直接删除,L2正则化:削弱作用

sklearn.linear_model.Ridge(alpha=1.0,fit_intercept=True,solver"auto",normolize=False)

alpha:正则化力度,也叫λ取值01或者110

solver:会根据数据集自动选择优化方法

normalize:数据是否进标准化,如果设置为True就不用再前面进行标准化,实现效果是一样的

Ridge.coef_:回归系数

Ridge.intercept_:偏置

Ridge方法相当于SGDRegressor(penalty=‘l2’,loss=“squared_loss”),但是后者缺少可SAG

③逻辑回归:

sklearn.linear_model.LogisticRegression(solver="liblinear",penalty="l2"C=1.0)

solver:优化求解方式

penalty:正则化种类

C:正则化力度

模型评估(精确率和召回率):sklearn.metrics.classification_report(y_true,y_pre,lables[],targer_names=None)

lables:指定类别对应的数字

target_names:目标类别名称

return:每个类别的精确率和召回率

模型评估(ROC曲线和AUC指标):sklearn.metrics.roc_auc_score(y_true,y_score)

y_true=每个样本的真实类别,必须为0(反例),1(正例)

y_score=预测得分,可以是正例的估计概率,置信值,分类器方法的返回值

AUC只能用来评估二分类的问题,非常适合评价样本不均衡中的分类器性能

模型保存和加载:sklearn.externals. joblib

保存模型:joblib.dump(estimator,“my_ridge.pkl”)

加载模型:estimator=joblib.load(“my_ridge.pkl”)

无监督学习:

K-means算法:

sklearn.cluster.KMeans(n_clusters=8)

n_clusters:聚类中心的数量

lables:默认标记的类型,可以和真实值进行比较

模型评估:高内聚,低耦合(外部距离最大化,内部距离最小化)

sklearn.metrics.silhouette_score(X,labels)轮廓系数

X:特征值

labels:被聚类标记的目标值

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/184785.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号