Python機器學習庫scikit-learn實踐

原文：http://blog.csdn.net/zouxy09/article/details/48903179

 

1、概述

       機器學習算法在近幾年大數據點燃的熱火薰陶下已經變得被人所「熟知」，就算不懂得其中各算法理論，叫你喊上一兩個著名算法的名字，你也能昂首挺胸脫口而出。固然了，算法之林雖大，但能者仍是有限，能適應某些環境並取得較好效果的算法會脫穎而出，而表現平平者則被歷史所淡忘。隨着機器學習社區的發展和實踐驗證，這羣脫穎而出者也逐漸被人所承認和青睞，同時得到了更多社區力量的支持、改進和推廣。

       以最普遍的分類算法爲例，大體能夠分爲線性和非線性兩大派別。線性算法有著名的邏輯迴歸、樸素貝葉斯、最大熵等，非線性算法有隨機森林、決策樹、神經網絡、核機器等等。線性算法舉的大旗是訓練和預測的效率比較高，但最終效果對特徵的依賴程度較高，須要數據在特徵層面上是線性可分的。所以，使用線性算法須要在特徵工程上下很多功夫，儘可能對特徵進行選擇、變換或者組合等使得特徵具備區分性。而非線性算法則牛逼點，能夠建模複雜的分類面，從而能更好的擬合數據。

       那在咱們選擇了特徵的基礎上，哪一個機器學習算法能取得更好的效果呢？誰也不知道。實踐是檢驗哪一個好的不二標準。那難道要苦逼到寫五六個機器學習的代碼嗎？No，機器學習社區的力量是強大的，碼農界的共識是不重複造輪子！所以，對某些較爲成熟的算法，總有某些優秀的庫能夠直接使用，省去了大夥調研的大部分時間。

       基於目前使用python較多，而python界中遠近聞名的機器學習庫要數scikit-learn莫屬了。這個庫優勢不少。簡單易用，接口抽象得很是好，並且文檔支持實在感人。本文中，咱們能夠封裝其中的不少機器學習算法，而後進行一次性測試，從而便於分析取優。固然了，針對具體算法，超參調優也很是重要。

 

2、Scikit-learn的python實踐

2.一、Python的準備工做

       Python一個備受歡迎的點是社區支持不少，有很是多優秀的庫或者模塊。可是某些庫之間有時候也存在依賴，因此要安裝這些庫也是挺繁瑣的過程。但總有人忍受不了這種繁瑣，都會開發出很多自動化的工具來節省各位客官的時間。其中，我的總結，安裝一個python的庫有如下三種方法：

1）Anaconda

       這是一個很是齊全的python發行版本，最新的版本提供了多達195個流行的python包，包含了咱們經常使用的numpy、scipy等等科學計算的包。有了它，媽媽不再用擔憂我焦頭爛額地安裝一個又一個依賴包了。Anaconda在手，輕鬆我有！下載地址以下：http://www.continuum.io/downloads

2）Pip

       使用過Ubuntu的人，對apt-get的愛只有本身懂。其實對Python的庫的下載和安裝能夠藉助pip工具的。須要安裝什麼庫，直接下載和安裝一條龍服務。在pip官網https://pypi.python.org/pypi/pip下載安裝便可。將來的需求就在#pip install xx 中。

3）源碼包

       若是上述兩種方法都沒有找到你的庫，那你直接把庫的源碼下載回來，解壓，而後在目錄中會有個setup.py文件。執行#python setup.py install 便可把這個庫安裝到python的默認庫目錄中。

2.二、Scikit-learn的測試

       scikit-learn已經包含在Anaconda中。也能夠在官方下載源碼包進行安裝。本文代碼裏封裝了以下機器學習算法，咱們修改數據加載函數，便可一鍵測試：

classifiers = {'NB':naive_bayes_classifier, 
                  'KNN':knn_classifier,
                   'LR':logistic_regression_classifier,
                   'RF':random_forest_classifier,
                   'DT':decision_tree_classifier,
                  'SVM':svm_classifier,
                'SVMCV':svm_cross_validation,
                 'GBDT':gradient_boosting_classifier
    }

　　

 

 

train_test.py

#!usr/bin/env python
#-*- coding: utf-8 -*-

import sys
import os
import time
from sklearn import metrics
import numpy as np
import cPickle as pickle

reload(sys)
sys.setdefaultencoding('utf8')

# Multinomial Naive Bayes Classifier
def naive_bayes_classifier(train_x, train_y):
    from sklearn.naive_bayes import MultinomialNB
    model = MultinomialNB(alpha=0.01)
    model.fit(train_x, train_y)
    return model


# KNN Classifier
def knn_classifier(train_x, train_y):
    from sklearn.neighbors import KNeighborsClassifier
    model = KNeighborsClassifier()
    model.fit(train_x, train_y)
    return model


# Logistic Regression Classifier
def logistic_regression_classifier(train_x, train_y):
    from sklearn.linear_model import LogisticRegression
    model = LogisticRegression(penalty='l2')
    model.fit(train_x, train_y)
    return model


# Random Forest Classifier
def random_forest_classifier(train_x, train_y):
    from sklearn.ensemble import RandomForestClassifier
    model = RandomForestClassifier(n_estimators=8)
    model.fit(train_x, train_y)
    return model


# Decision Tree Classifier
def decision_tree_classifier(train_x, train_y):
    from sklearn import tree
    model = tree.DecisionTreeClassifier()
    model.fit(train_x, train_y)
    return model


# GBDT(Gradient Boosting Decision Tree) Classifier
def gradient_boosting_classifier(train_x, train_y):
    from sklearn.ensemble import GradientBoostingClassifier
    model = GradientBoostingClassifier(n_estimators=200)
    model.fit(train_x, train_y)
    return model


# SVM Classifier
def svm_classifier(train_x, train_y):
    from sklearn.svm import SVC
    model = SVC(kernel='rbf', probability=True)
    model.fit(train_x, train_y)
    return model

# SVM Classifier using cross validation
def svm_cross_validation(train_x, train_y):
    from sklearn.grid_search import GridSearchCV
    from sklearn.svm import SVC
    model = SVC(kernel='rbf', probability=True)
    param_grid = {'C': [1e-3, 1e-2, 1e-1, 1, 10, 100, 1000], 'gamma': [0.001, 0.0001]}
    grid_search = GridSearchCV(model, param_grid, n_jobs = 1, verbose=1)
    grid_search.fit(train_x, train_y)
    best_parameters = grid_search.best_estimator_.get_params()
    for para, val in best_parameters.items():
        print para, val
    model = SVC(kernel='rbf', C=best_parameters['C'], gamma=best_parameters['gamma'], probability=True)
    model.fit(train_x, train_y)
    return model

def read_data(data_file):
    import gzip
    f = gzip.open(data_file, "rb")
    train, val, test = pickle.load(f)
    f.close()
    train_x = train[0]
    train_y = train[1]
    test_x = test[0]
    test_y = test[1]
    return train_x, train_y, test_x, test_y
    
if __name__ == '__main__':
    data_file = "mnist.pkl.gz"
    thresh = 0.5
    model_save_file = None
    model_save = {}
    
    test_classifiers = ['NB', 'KNN', 'LR', 'RF', 'DT', 'SVM', 'GBDT']
    classifiers = {'NB':naive_bayes_classifier, 
                  'KNN':knn_classifier,
                   'LR':logistic_regression_classifier,
                   'RF':random_forest_classifier,
                   'DT':decision_tree_classifier,
                  'SVM':svm_classifier,
                'SVMCV':svm_cross_validation,
                 'GBDT':gradient_boosting_classifier
    }
    
    print 'reading training and testing data...'
    train_x, train_y, test_x, test_y = read_data(data_file)
    num_train, num_feat = train_x.shape
    num_test, num_feat = test_x.shape
    is_binary_class = (len(np.unique(train_y)) == 2)
    print '******************** Data Info *********************'
    print '#training data: %d, #testing_data: %d, dimension: %d' % (num_train, num_test, num_feat)
    
    for classifier in test_classifiers:
        print '******************* %s ********************' % classifier
        start_time = time.time()
        model = classifiers[classifier](train_x, train_y)
        print 'training took %fs!' % (time.time() - start_time)
        predict = model.predict(test_x)
        if model_save_file != None:
            model_save[classifier] = model
        if is_binary_class:
            precision = metrics.precision_score(test_y, predict)
            recall = metrics.recall_score(test_y, predict)
            print 'precision: %.2f%%, recall: %.2f%%' % (100 * precision, 100 * recall)
        accuracy = metrics.accuracy_score(test_y, predict)
        print 'accuracy: %.2f%%' % (100 * accuracy) 

    if model_save_file != None:
        pickle.dump(model_save, open(model_save_file, 'wb'))

　　

 

4、測試結果

       本次使用mnist手寫體庫進行實驗：http://deeplearning.net/data/mnist/mnist.pkl.gz。共5萬訓練樣本和1萬測試樣本。

       代碼運行結果以下：

 

reading training and testing data...
******************** Data Info *********************
#training data: 50000, #testing_data: 10000, dimension: 784
******************* NB ********************
training took 0.287000s!
accuracy: 83.69%
******************* KNN ********************
training took 31.991000s!
accuracy: 96.64%
******************* LR ********************
training took 101.282000s!
accuracy: 91.99%
******************* RF ********************
training took 5.442000s!
accuracy: 93.78%
******************* DT ********************
training took 28.326000s!
accuracy: 87.23%
******************* SVM ********************
training took 3152.369000s!
accuracy: 94.35%
******************* GBDT ********************
training took 7623.761000s!
accuracy: 96.18%

　　

 

       在這個數據集中，因爲數據分佈的團簇性較好（若是對這個數據庫瞭解的話，看它的t-SNE映射圖就能夠看出來。因爲任務簡單，其在deep learning界已被認爲是toy dataset），所以KNN的效果不賴。GBDT是個很是不錯的算法，在kaggle等大數據比賽中，狀元探花榜眼之列常常能見其身影。三個臭皮匠勝過諸葛亮，仍是被驗證有道理的，特別是三個臭皮匠還能力互補的時候！

       還有一個在實際中很是有效的方法，就是融合這些分類器，再進行決策。例如簡單的投票，效果都很是不錯。建議在實踐中，你們均可以嘗試下。