Python機器學習工具scikit-learn的使用筆記

一、數據獲取
*****************
"""
 
##1.1 導入sklearn數據集
from sklearn import datasets
 
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
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
 
# 查看數據集
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]
"""
 
"""
*****************
二、數據預處理
*****************
"""
from sklearn import preprocessing
 
##2.1 數據歸一化
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，註用（）括起來
 
#2.2 正則化
X = [[ 1., -1., 2.],
  [ 2., 0., 0.],
  [ 0., 1., -1.]]
X_normalized = preprocessing.normalize(X, norm='l2')
 
print(X_normalized)
"""                  
array([[ 0.40..., -0.40..., 0.81...],
    [ 1. ..., 0. ..., 0. ...],
    [ 0. ..., 0.70..., -0.70...]])
"""
 
## 2.3 One-Hot編碼
data = [[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]]
encoder = preprocessing.OneHotEncoder().fit(data)
enc.transform(data).toarray()
 
"""
*****************
三、數據集拆分
*****************
"""
# 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
---
分割後的列表，長度=2*len(arrays),
　　(train-test split)
"""
 
"""
*****************
四、定義模型
*****************
"""
## 模型常用屬性和工鞥呢
# 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將通過減去平均值並除以l2-范數而歸一化。
   n_jobs：指定線程數
"""
 
## 4.2 邏輯回歸
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於或等於這個值，則節點將被拆分。
"""
 
 
## 4.5 支持向量機
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：並行任務數
"""
 
## 4.7 多層感知機
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。
"""
 
 
"""
*****************
五、模型評估與選擇
*****************
"""
 
## 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
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）
"""
 
 
"""
*****************
六、保存模型
*****************
"""
## 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方法自帶joblib
from sklearn.externals import joblib
 
# 保存模型
joblib.dump(model, 'model.pickle')
 
#載入模型
model = joblib.load('model.pickle')