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！
這篇文章給大家分享的是有關python數據挖掘算法的示例分析的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。
可以通過業務原始數據、公開的數據集、也可通過爬蟲的方式獲取。
數據極可能有噪音，不完整等缺陷，需要對數據進行數據標準化，方法有min-max 標準化，z-score 標準化，修正的標準z-score。
將數據提取特征使這些數據符合特定數據挖掘算法的分析模型。數據模型有很多，等下詳細講解。
選擇好的數據挖掘算法對數據進行訓練
有兩種主流方法：
十折交叉驗證：將數據集隨機分割成十個等份，每次用9份數據做訓練集，1份數據做測試集，如此迭代10次。十折交叉驗證的關鍵在于較平均地分為10份。
N折交叉驗證又稱為留一法：用幾乎所有的數據進行訓練，然后留一個數據進行測試，并迭代每一數據測試。留一法的優點是：確定性。
使用訓練好的模型對數據進行預測。
對數據挖掘后的信息加以分析解釋，并應用于實際的工作領域。
1）線性回歸：希望所有點都落在直線上，所有點離直線的距離最近。首先假設好y=ax+b中a和b的值，然后計算每個數據點到這條直線上的距離總和，目的是要使這個總和最小！
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 """
2）邏輯回歸：二分算法，用于兩分類問題。需要預測函數的“大概形式”， 比如是線性還是非線性的。
上面有提到，該數據集需要一個線性的邊界。 不同數據需要不同的邊界。
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 """
3）樸素貝葉斯算法NB：用于判斷某件事的發生概率，我就曾用此算法做過輿情分類器。將一些語句變為01二維矩陣，計算詞語的出現頻率，從而判斷語句的情感色彩是怎樣的。
效率很高，但存在一定的錯誤概率
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）決策樹DT：類似流程圖的樹結構，它使用分支方法來說明決策的每個可能結果。樹中的每個節點代表對特定變量的測試 - 每個分支都是該測試的結果。
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。 """
5）支持向量機SVM：就是判斷線性可分不可分，能不能用直線分割兩類數據！理論可以推廣到三維，甚至思維以上的特征空間。三維使用平面來分隔數據，四維和四維以上因為人類 無法直觀的感知出來，所以畫不出來，但是能分隔數據，存在這樣的平面叫做超平面。
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. """
6）k近鄰算法KNN：采用測量不同特征值之間距離的方法對數據進行分類的一個算法。
給定一個樣本的集合，這里稱為訓練集，并且樣本中每個數據都包含標簽。對于新輸入的一個不包含標簽的數據，通過計算這個新的數據與每一個樣本之間的距離，選取前k個，通常k小于20，以k個劇里最近的數據的標簽中出現次數最多的標簽作為該新加入的數據標簽。
K近鄰算法，即是給定一個訓練數據集，對新的輸入實例，在訓練數據集中找到與該實例最鄰近的K個實例，這K個實例的多數屬于某個類，就把該輸入實例分類到這個類中。（這就類似于現實生活中少數服從多數的思想）根據這個說法，咱們來看下引自維基百科上的一幅圖：
如果K=3，綠色圓點的最鄰近的3個點是2個紅色小三角形和1個藍色小正方形，少數從屬于多數，基于統計的方法，判定綠色的這個待分類點屬于紅色的三角形一類。
如果K=5，綠色圓點的最鄰近的5個鄰居是2個紅色三角形和3個藍色的正方形，還是少數從屬于多數，基于統計的方法，判定綠色的這個待分類點屬于藍色的正方形一類。
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 """
7）K-均值聚類（K-means）：
定義目標聚類數K，例如，k=3
隨機初始化的 k 個聚類中心(controids)
計算每個數據點到K個聚類中心的Euclidean Distance，然后將數據點分到Euclidean Distance最小的對應類聚中心的那類
針對每個類別，重新計算它的聚類中心；
重復上面 3-4 兩步操作，直到達到某個中止條件（迭代次數、最小誤差變化等）
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
df = pd.DataFrame({"x": [25, 34, 22, 27, 33, 33, 31, 22, 35, 34, 67, 54, 57, 43, 50, 57, 59, 52, 65, 47, 49, 48, 35, 33, 44, 45, 38, 43, 51, 46],
"y": [79, 51, 53, 78, 59, 74, 73, 57, 69, 75, 51, 32, 40, 47, 53, 36, 35, 59, 59, 50, 25, 20, 14, 12, 20, 5, 29, 27, 8, 7]})
kmeans = KMeans(n_clusters=3).fit(df)
centroids = kmeans.cluster_centers_
# 打印類聚中心
print(type(centroids), centroids)
# 可視化類聚結果
fig, ax = plt.subplots()
ax.scatter(df['x'],df['y'],c=kmeans.labels_.astype(float),s=50, alpha=0.5)
ax.scatter(centroids[:, 0], centroids[:, 1], c='red', s=50)
plt.show()和KNN所不同，K-均值聚類屬于無監督學習。
監督學習知道從對象（數據）中學習什么，而無監督學習無需知道所要搜尋的目標，它是根據算法得到數據的共同特征。比如用分類和聚類來說，分類事先就知道所要得到的類別，而聚類則不一樣，只是以相似度為基礎，將對象分得不同的簇。
ps）：我們在機器學習中一直會遇到兩種問題，一種是回歸問題，一種是分類問題。我們從字面上理解，很容易知道分類問題其實是將我們現有的數據分成若干類，然后對于新的數據，我們根據所分得類而進行劃分；而回歸問題是將現有數據擬合成一條函數，根據所擬合的函數來預測新的數據。 這兩者的區別就在于輸出變量的類型。回歸是定量輸出，或者說是預測連續變量；分類問題書定量輸出，預測離散變量。Po一張我在知乎上看到的一張圖片，解釋的很好：
from sklearn.externals import joblib
# 保存模型
joblib.dump(model, 'model.pickle')
#載入模型
model = joblib.load('model.pickle')感謝各位的閱讀！關于“python數據挖掘算法的示例分析”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！
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。
