溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
傳統的機器學習任務從開始到建模的一般流程是：獲取數據 -> 數據預處理 -> 訓練建模 -> 模型評估 -> 預測，分類。本文我們將依據傳統機器學習的流程，看看在每一步流程中都有哪些常用的函數以及它們的用法是怎么樣的。希望你看完這篇文章可以最為快速的開始你的學習任務。
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中，你可以通過使用這些數據集實現出不同的模型，從而提高你的動手實踐能力，同時這個過程也可以加深你對理論知識的理解和把握。（這一步我也亟需加強，一起加油！^-^）
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，這里我們拿iris的數據來舉個例子：
iris = datasets.load_iris() # 導入數據集 X = iris.data # 獲得其特征向量 y = iris.target # 獲得樣本label
1.2 創建數據集
你除了可以使用sklearn自帶的數據集，還可以自己去創建訓練樣本，具體用法參見《Dataset loading utilities》，這里我們簡單介紹一些，sklearn中的samples generator包含的大量創建樣本數據的方法：
下面我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：指定特征數 # 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少的一環，它會使得數據更加有效的被模型或者評估器識別。下面我們來看一下sklearn中有哪些平時我們常用的函數：
from sklearn import preprocessing
2.1 數據歸一化
為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中提供了很多Scaler：
data = [[0, 0], [0, 0], [1, 1], [1, 1]] # 1. 基于mean和std的標準化 scaler = preprocessing.StandardScaler().fit(train_data) scaler.transform(train_data) scaler.transform(test_data) # 2. 將每個特征值歸一化到一個固定范圍 scaler = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(train_data) scaler.transform(train_data) scaler.transform(test_data) #feature_range: 定義歸一化范圍，注用（）括起來
2.2 正則化（normalize）
當你想要計算兩個樣本的相似度時必不可少的一個操作，就是正則化。其思想是：首先求出樣本的p-范數，然后該樣本的所有元素都要除以該范數，這樣最終使得每個樣本的范數都為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征值的編碼方式，在LR模型中常用到，用于給線性模型增加非線性能力。
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
在得到訓練數據集時，通常我們經常會把訓練數據集進一步拆分成訓練集和驗證集，這樣有助于我們模型參數的選取。
# 作用：將數據集劃分為 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，包含特征向量和標簽 test_size： float-獲得多大比重的測試樣本 （默認：0.25） int - 獲得多少個測試樣本 train_size: 同test_size random_state: int - 隨機種子（種子固定，實驗可復現） shuffle - 是否在分割之前對數據進行洗牌（默認True） 返回 --- 分割后的列表，長度=2*len(arrays), (train-test split) """
4. 定義模型
在這一步我們首先要分析自己數據的類型，搞清出你要用什么模型來做，然后我們就可以在sklearn中定義模型了。sklearn為所有模型提供了非常相似的接口，這樣使得我們可以更加快速的熟悉所有模型的用法。在這之前我們先來看看模型的常用屬性和功能：
# 擬合模型 model.fit(X_train, y_train) # 模型預測 model.predict(X_test) # 獲得這個模型的參數 model.get_params() # 為模型進行打分 model.score(data_X, data_y) # 線性回歸：R square； 分類問題： acc
4.1 線性回歸
from sklearn.linear_model import LinearRegression # 定義線性回歸模型 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設置為False時，該參數將被忽略。 如果為真，則回歸前的回歸系數X將通過減去平均值并除以l2-范數而歸一化。 n_jobs：指定線程數 """
4.2 邏輯回歸LR
from sklearn.linear_model import LogisticRegression # 定義邏輯回歸模型 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: 是否需要常量 """
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) """ 文本分類問題常用MultinomialNB 參數 --- alpha：平滑參數 fit_prior：是否要學習類的先驗概率；false-使用統一的先驗概率 class_prior: 是否指定類的先驗概率；若指定則不能根據參數調整 binarize: 二值化的閾值，若為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 ：特征選擇準則gini/entropy max_depth：樹的最大深度，None-盡量下分 min_samples_split：分裂內部節點，所需要的最小樣本樹 min_samples_leaf：葉子節點所需要的最小樣本數 max_features: 尋找最優分割點時的最大特征數 max_leaf_nodes：優先增長到最大葉子節點數 min_impurity_decrease：如果這種分離導致雜質的減少大于或等于這個值，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：誤差項的懲罰參數C gamma: 核相關系數。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) # 回歸 """參數 --- n_neighbors： 使用鄰居的數目 n_jobs：并行任務數 """
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，我們可以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:用于fit和predict的對象 X, y: 訓練集的特征和標簽 param_name：將被改變的參數的名字 param_range： 參數的改變范圍 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
最后，我們可以將我們訓練好的model保存到本地，或者放到線上供用戶使用，那么如何保存訓練好的model呢？主要有下面兩種方式：
6.1 保存為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
from sklearn.externals import joblib
# 保存模型
joblib.dump(model, 'model.pickle')
#載入模型
model = joblib.load('model.pickle')
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
