sklearn的使用

傳統的機器學習任務從開始到建模的通常流程是：獲取數據 -> 數據預處理 -> 訓練建模 -> 模型評估 -> 預測，分類。

1. 獲取數據

1.1 導入sklearn數據集

　　sklearn中包含了大量的優質的數據集，在你學習機器學習的過程當中，你能夠經過使用這些數據集實現出不一樣的模型，從而提升你的動手實踐能力，同時這個過程也能夠加深你對理論知識的理解和把握。（這一步我也亟需增強，一塊兒加油！^-^）

首先呢，要想使用sklearn中的數據集，必須導入datasets模塊：

from sklearn import datasets

 下圖中包含了大部分sklearn中數據集，調用方式也在圖中給出，這裏咱們拿iris的數據來舉個例子：

　　

iris = datasets.load_iris() # 導入數據集
X = iris.data # 得到其特徵向量
y = iris.target # 得到樣本label

1.2 建立數據集

　　你除了可使用sklearn自帶的數據集，還能夠本身去建立訓練樣本，具體用法參見《Dataset loading utilities》，這裏咱們簡單介紹一些，sklearn中的samples generator包含的大量建立樣本數據的方法：

　　 

下面咱們拿分類問題的樣本生成器舉例子：

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：指定樣本數
# n_features：指定特徵數
# n_classes：指定幾分類
# random_state：隨機種子，使得隨機狀可重

>>> 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. 數據預處理

　　數據預處理階段是機器學習中不可缺乏的一環，它會使得數據更加有效的被模型或者評估器識別。下面咱們來看一下sklearn中有哪些平時咱們經常使用的函數：

from sklearn import preprocessing

2.1 數據歸一化

　　爲了使得訓練數據的標準化規則與測試數據的標準化規則同步，preprocessing中提供了不少Scaler：

data = [[0, 0], [0, 0], [1, 1], [1, 1]]
# 1. 基於mean和std的標準化
scaler = preprocessing.StandardScaler().fit(train_data)
scaler.transform(train_data)
scaler.transform(test_data)

# 2. 將每一個特徵值歸一化到一個固定範圍
scaler = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(train_data)
scaler.transform(train_data)
scaler.transform(test_data)
#feature_range: 定義歸一化範圍，注用（）括起來

2.2 正則化（normalize）

　　當你想要計算兩個樣本的類似度時必不可少的一個操做，就是正則化。其思想是：首先求出樣本的p-範數，而後該樣本的全部元素都要除以該範數，這樣最終使得每一個樣本的範數都爲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編碼

　　one-hot編碼是一種對離散特徵值的編碼方式，在LR模型中經常使用到，用於給線性模型增長非線性能力。

data = [[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]]
encoder = preprocessing.OneHotEncoder().fit(data)
enc.transform(data).toarray()

3. 數據集拆分

　　在獲得訓練數據集時，一般咱們常常會把訓練數據集進一步拆分紅訓練集和驗證集，這樣有助於咱們模型參數的選取。

# 做用：將數據集劃分爲 訓練集和測試集
# 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)
"""
參數
---
arrays：樣本數組，包含特徵向量和標籤

test_size：
　　float-得到多大比重的測試樣本 （默認：0.25）
　　int - 得到多少個測試樣本

train_size: 同test_size

random_state:
　　int - 隨機種子（種子固定，實驗可復現）
　　
shuffle - 是否在分割以前對數據進行洗牌（默認True）

返回
---
分割後的列表，長度=2*len(arrays), 
　　(train-test split)
"""

4. 定義模型

　　在這一步咱們首先要分析本身數據的類型，搞清出你要用什麼模型來作，而後咱們就能夠在sklearn中定義模型了。sklearn爲全部模型提供了很是類似的接口，這樣使得咱們能夠更加快速的熟悉全部模型的用法。在這以前咱們先來看看模型的經常使用屬性和功能：

# 擬合模型
model.fit(X_train, y_train)
# 模型預測
model.predict(X_test)

# 得到這個模型的參數
model.get_params()
# 爲模型進行打分
model.score(data_X, data_y) # 線性迴歸：R square； 分類問題： acc

 4.1 線性迴歸

from sklearn.linear_model import LinearRegression
# 定義線性迴歸模型
model = LinearRegression(fit_intercept=True, normalize=False, 
    copy_X=True, n_jobs=1)
"""
參數
---
    fit_intercept：是否計算截距。False-模型沒有截距
    normalize： 當fit_intercept設置爲False時，該參數將被忽略。 若是爲真，則迴歸前的迴歸係數X將經過減去平均值併除以l2-範數而歸一化。
     n_jobs：指定線程數
"""

　　　　　　

 4.2 邏輯迴歸LR

from sklearn.linear_model import LogisticRegression
# 定義邏輯迴歸模型
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)

"""參數
---
    penalty：使用指定正則化項（默認：l2）
    dual: n_samples > n_features取False（默認）
    C：正則化強度的反，值越小正則化強度越大
    n_jobs: 指定線程數
    random_state：隨機數生成器
    fit_intercept: 是否須要常量
"""

 4.3 樸素貝葉斯算法NB

from sklearn import naive_bayes
model = naive_bayes.GaussianNB() # 高斯貝葉斯
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)
"""
文本分類問題經常使用MultinomialNB
參數
---
    alpha：平滑參數
    fit_prior：是否要學習類的先驗機率；false-使用統一的先驗機率
    class_prior: 是否指定類的先驗機率；若指定則不能根據參數調整
    binarize: 二值化的閾值，若爲None，則假設輸入由二進制向量組成
"""

 4.4 決策樹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)
"""參數
---
    criterion ：特徵選擇準則gini/entropy
    max_depth：樹的最大深度，None-儘可能下分
    min_samples_split：分裂內部節點，所須要的最小樣本樹
    min_samples_leaf：葉子節點所須要的最小樣本數
    max_features: 尋找最優分割點時的最大特徵數
    max_leaf_nodes：優先增加到最大葉子節點數
    min_impurity_decrease：若是這種分離致使雜質的減小大於或等於這個值，則節點將被拆分。
"""

4.5 支持向量機SVM

from sklearn.svm import SVC
model = SVC(C=1.0, kernel=’rbf’, gamma=’auto’)
"""參數
---
    C：偏差項的懲罰參數C
    gamma: 核相關係數。浮點數，If gamma is ‘auto’ then 1/n_features will be used instead.
"""

 4.6 k近鄰算法KNN

from sklearn import neighbors
#定義kNN分類模型
model = neighbors.KNeighborsClassifier(n_neighbors=5, n_jobs=1) # 分類
model = neighbors.KNeighborsRegressor(n_neighbors=5, n_jobs=1) # 迴歸
"""參數
---
    n_neighbors： 使用鄰居的數目
    n_jobs：並行任務數
"""

4.7 多層感知機（神經網絡）

from sklearn.neural_network import MLPClassifier
# 定義多層感知機分類算法
model = MLPClassifier(activation='relu', solver='adam', alpha=0.0001)
"""參數
---
    hidden_layer_sizes: 元祖
    activation：激活函數
    solver ：優化算法{‘lbfgs’, ‘sgd’, ‘adam’}
    alpha：L2懲罰(正則化項)參數。
"""

5. 模型評估與選擇篇

5.1 交叉驗證

from sklearn.model_selection import cross_val_score
cross_val_score(model, X, y=None, scoring=None, cv=None, n_jobs=1)
"""參數
---
    model：擬合數據的模型
    cv ： k-fold
    scoring: 打分參數-‘accuracy’、‘f1’、‘precision’、‘recall’ 、‘roc_auc’、'neg_log_loss'等等
"""

5.2 檢驗曲線

　　使用檢驗曲線，咱們能夠更加方便的改變模型參數，獲取模型表現。

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)
"""參數
---
    model:用於fit和predict的對象
    X, y: 訓練集的特徵和標籤
    param_name：將被改變的參數的名字
    param_range： 參數的改變範圍
    cv：k-fold
   
返回值
---
   train_score: 訓練集得分（array）
    test_score: 驗證集得分（array）
"""

例子

6. 保存模型

　　最後，咱們能夠將咱們訓練好的model保存到本地，或者放到線上供用戶使用，那麼如何保存訓練好的model呢？主要有下面兩種方式：

6.1 保存爲pickle文件

import pickle

# 保存模型
with open('model.pickle', 'wb') as f:
    pickle.dump(model, f)

# 讀取模型
with open('model.pickle', 'rb') as f:
    model = pickle.load(f)
model.predict(X_test)

6.2 sklearn自帶方法joblib

from sklearn.externals import joblib

# 保存模型
joblib.dump(model, 'model.pickle')

#載入模型
model = joblib.load('model.pickle')