sklearn库的使用_导入turtle库的方法

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0_1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