一文搞懂Python Sklearn庫使用

Python sklearn庫是一個豐富的機器學習庫,裡面包含內容太多,這裡對一些工程裡常用的操作做個簡要的概述,以後還會根據自己用的進行更新。

1、LabelEncoder

簡單來說 LabelEncoder 是對不連續的數字或者文本進行按序編號,可以用來生成屬性/標簽

from sklearn.preprocessing import LabelEncoder
encoder=LabelEncoder()
encoder.fit([1,3,2,6])
t=encoder.transform([1,6,6,2])
print(t)

輸出: [0 3 3 1]

2、OneHotEncoder

OneHotEncoder 用於將表示分類的數據擴維,將[[1],[2],[3],[4]]映射為 0,1,2,3的位置為1(高維的數據自己可以測試):

from sklearn.preprocessing import OneHotEncoder
oneHot=OneHotEncoder()#聲明一個編碼器
oneHot.fit([[1],[2],[3],[4]])
print(oneHot.transform([[2],[3],[1],[4]]).toarray())

輸出:[[0. 1. 0. 0.]
[0. 0. 1. 0.]
[1. 0. 0. 0.]
[0. 0. 0. 1.]]
正如keras中的keras.utils.to_categorical(y_train, num_classes)

3、sklearn.model_selection.train_test_split隨機劃分訓練集和測試集

一般形式:
train_test_split是交叉驗證中常用的函數,功能是從樣本中隨機的按比例選取train data和testdata,形式為:

X_train,X_test, y_train, y_test =train_test_split(train_data,train_target,test_size=0.2, train_size=0.8,random_state=0)

參數解釋:
– train_data:所要劃分的樣本特征集
– train_target:所要劃分的樣本結果
– test_size:測試樣本占比,如果是整數的話就是樣本的數量

-train_size:訓練樣本的占比,(註:測試占比和訓練占比任寫一個就行)
– random_state:是隨機數的種子。
– 隨機數種子:其實就是該組隨機數的編號,在需要重復試驗的時候,保證得到一組一樣的隨機數。比如你每次都填1,其他參數一樣的情況下你得到的隨機數組是一樣的。但填0或不填,每次都會不一樣。
隨機數的產生取決於種子,隨機數和種子之間的關系遵從以下兩個規則:
– 種子不同,產生不同的隨機數;種子相同,即使實例不同也產生相同的隨機數。

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
iris=load_iris()
train=iris.data
target=iris.target
# 避免過擬合,采用交叉驗證,驗證集占訓練集20%,固定隨機種子(random_state)
train_X,test_X, train_y, test_y = train_test_split(train,
                                                   target,
                                                   test_size = 0.2,
                                                   random_state = 0)
print(train_y.shape)

得到的結果數據:train_X : 訓練集的數據,train_Y:訓練集的標簽,對應test 為測試集的數據和標簽


4、pipeline

本節參考與文章:用 Pipeline 將訓練集參數重復應用到測試集
pipeline 實現瞭對全部步驟的流式化封裝和管理,可以很方便地使參數集在新數據集上被重復使用。

pipeline 可以用於下面幾處:

  • 模塊化 Feature Transform,隻需寫很少的代碼就能將新的 Feature 更新到訓練集中。
  • 自動化 Grid Search,隻要預先設定好使用的 Model 和參數的候選,就能自動搜索並記錄最佳的 Model。
  • 自動化 Ensemble Generation,每隔一段時間將現有最好的 K 個 Model 拿來做 Ensemble。

問題是要對數據集 Breast Cancer Wisconsin 進行分類,
該數據集包含 569 個樣本,第一列 ID,第二列類別(M=惡性腫瘤,B=良性腫瘤),
第 3-32 列是實數值的特征。

我們要用 Pipeline 對訓練集和測試集進行如下操作:

  • 先用 StandardScaler 對數據集每一列做標準化處理,(是 transformer)
  • 再用 PCA 將原始的 30 維度特征壓縮的 2 維度,(是 transformer)
  • 最後再用模型 LogisticRegression。(是 Estimator)
  • 調用 Pipeline 時,輸入由元組構成的列表,每個元組第一個值為變量名,元組第二個元素是 sklearn 中的 transformer
  • 或 Estimator。

註意中間每一步是 transformer,即它們必須包含 fit 和 transform 方法,或者 fit_transform。
最後一步是一個 Estimator,即最後一步模型要有 fit 方法,可以沒有 transform 方法。

然後用 Pipeline.fit對訓練集進行訓練,pipe_lr.fit(X_train, y_train)
再直接用 Pipeline.score 對測試集進行預測並評分 pipe_lr.score(X_test, y_test)

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
 
from sklearn.pipeline import Pipeline
#需要聯網
df = pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/wdbc.data',
                 header=None)
                                 # Breast Cancer Wisconsin dataset
X, y = df.values[:, 2:], df.values[:, 1]
encoder = LabelEncoder()
y = encoder.fit_transform(y)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2, random_state=0)
pipe_lr = Pipeline([('sc', StandardScaler()),
                    ('pca', PCA(n_components=2)),
                    ('clf', LogisticRegression(random_state=1))
                    ])
pipe_lr.fit(X_train, y_train)
print('Test accuracy: %.3f' % pipe_lr.score(X_test, y_test))

還可以用來選擇特征:

例如用 SelectKBest 選擇特征,
分類器為 SVM,

anova_filter = SelectKBest(f_regression, k=5)
clf = svm.SVC(kernel='linear')
anova_svm = Pipeline([('anova', anova_filter), ('svc', clf)])

當然也可以應用 K-fold cross validation:

Pipeline 的工作方式:

當管道 Pipeline 執行 fit 方法時,
首先 StandardScaler 執行 fit 和 transform 方法,
然後將轉換後的數據輸入給 PCA,
PCA 同樣執行 fit 和 transform 方法,
再將數據輸入給 LogisticRegression,進行訓練。

這裡寫圖片描述

5 perdict 直接返回預測值

predict_proba返回每組數據預測值的概率,每行的概率和為1,如訓練集/測試集有 下例中的兩個類別,測試集有三個,則 predict返回的是一個 3*1的向量,而 predict_proba 返回的是 3*2維的向量,如下結果所示。

# conding :utf-8
from sklearn.linear_model import LogisticRegression
import numpy as np
 
x_train = np.array([[1, 2, 3],
                    [1, 3, 4],
                    [2, 1, 2],
                    [4, 5, 6],
                    [3, 5, 3],
                    [1, 7, 2]])
 
y_train = np.array([3, 3, 3, 2, 2, 2])
 
x_test = np.array([[2, 2, 2],
                   [3, 2, 6],
                   [1, 7, 4]])
 
clf = LogisticRegression()
clf.fit(x_train, y_train)
 
# 返回預測標簽
print(clf.predict(x_test))
 
# 返回預測屬於某標簽的概率
print(clf.predict_proba(x_test))

6 sklearn.metrics中的評估方法

1. sklearn.metrics.roc_curve(true_y. pred_proba_score, pos_labal)

計算roc曲線,roc曲線有三個屬性:fpr, tpr,和閾值,因此該函數返回這三個變量,l

2. sklearn.metrics.auc(x, y, reorder=False):

計算AUC值,其中x,y分別為數組形式,根據(xi, yi)在坐標上的點,生成的曲線,然後計算AUC值;

import numpy as np
from sklearn.metrics import roc_curve
from sklearn.metrics import auc
y = np.array([1,0,2,2])
pred = np.array([0.1, 0.4, 0.35, 0.8])
fpr, tpr, thresholds = roc_curve(y, pred, pos_label=2)
print(tpr)
print(fpr)
print(thresholds)
print(auc(fpr, tpr))

3. sklearn.metrics.roc_auc_score(true_y, pred_proba_y)

直接根據真實值(必須是二值)、預測值(可以是0/1, 也可以是proba值)計算出auc值,中間過程的roc計算省略

7 GridSearchCV

GridSearchCV,它存在的意義就是自動調參,隻要把參數輸進去,就能給出最優化的結果和參數。但是這個方法適合於小數據集,一旦數據的量級上去瞭,很難得出結果。這個時候就是需要動腦筋瞭。數據量比較大的時候可以使用一個快速調優的方法——坐標下降。它其實是一種貪心算法:拿當前對模型影響最大的參數調優,直到最優化;再拿下一個影響最大的參數調優,如此下去,直到所有的參數調整完畢。這個方法的缺點就是可能會調到局部最優而不是全局最優,但是省時間省力,巨大的優勢面前,還是試一試吧,後續可以再拿bagging再優化。

回到sklearn裡面的GridSearchCV,GridSearchCV用於系統地遍歷多種參數組合,通過交叉驗證確定最佳效果參數。

GridSearchCV的sklearn官方網址:http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html#sklearn.model_selection.GridSearchCV

classsklearn.model_selection.GridSearchCV(estimator,param_grid, scoring=None, fit_params=None, n_jobs=1, iid=True, refit=True,cv=None, verbose=0, pre_dispatch=’2*n_jobs’, error_score=’raise’,return_train_score=True)

常用參數解讀

estimator:所使用的分類器,如estimator=RandomForestClassifier(min_samples_split=100,min_samples_leaf=20,max_depth=8,max_features=’sqrt’,random_state=10), 並且傳入除需要確定最佳的參數之外的其他參數。每一個分類器都需要一個scoring參數,或者score方法。

param_grid:值為字典或者列表,即需要最優化的參數的取值,param_grid =param_test1,param_test1 = {‘n_estimators’:range(10,71,10)}。

scoring :準確度評價標準,默認None,這時需要使用score函數;或者如scoring=’roc_auc’,根據所選模型不同,評價準則不同。字符串(函數名),或是可調用對象,需要其函數簽名形如:scorer(estimator, X, y);如果是None,則使用estimator的誤差估計函數。

cv :交叉驗證參數,默認None,使用三折交叉驗證。指定fold數量,默認為3,也可以是yield訓練/測試數據的生成器。

refit :默認為True,程序將會以交叉驗證訓練集得到的最佳參數,重新對所有可用的訓練集與開發集進行,作為最終用於性能評估的最佳模型參數。即在搜索參數結束後,用最佳參數結果再次fit一遍全部數據集。

iid:默認True,為True時,默認為各個樣本fold概率分佈一致,誤差估計為所有樣本之和,而非各個fold的平均。

verbose:日志冗長度,int:冗長度,0:不輸出訓練過程,1:偶爾輸出,>1:對每個子模型都輸出。

n_jobs: 並行數,int:個數,-1:跟CPU核數一致, 1:默認值。

pre_dispatch:指定總共分發的並行任務數。當n_jobs大於1時,數據將在每個運行點進行復制,這可能導致OOM,而設置pre_dispatch參數,則可以預先劃分總共的job數量,使數據最多被復制pre_dispatch次

進行預測的常用方法和屬性

grid.fit():運行網格搜索

grid_scores_:給出不同參數情況下的評價結果

best_params_:描述瞭已取得最佳結果的參數的組合

best_score_:成員提供優化過程期間觀察到的最好的評分

model=Lasso()
alpha_can=np.logspace(-3,2,10)
np.set_printoptions(suppress=True)#設置打印選項
print("alpha_can=",alpha_can)
#cv :交叉驗證參數,默認None 這裡為5折交叉
# param_grid:值為字典或者列表,即需要最優化的參數的取值
lasso_model=GridSearchCV(model,param_grid={'alpha':alpha_can},cv=5)#得到最好的參數
lasso_model.fit(x_train,y_train)
print('超參數:\n',lasso_model.best_params_)
print("估計器\n",lasso_model.best_estimator_)

如果有transform,使用Pipeline簡化系統搭建流程,將transform與分類器串聯起來(Pipelineof transforms with a final estimator)

pipeline= Pipeline([("features", combined_features), ("svm", svm)])  
param_grid= dict(features__pca__n_components=[1, 2, 3],  
                  features__univ_select__k=[1,2],  
                  svm__C=[0.1, 1, 10])  
   
grid_search= GridSearchCV(pipeline, param_grid=param_grid, verbose=10)  
grid_search.fit(X,y)  
print(grid_search.best_estimator_) 

8 StandardScaler

作用:去均值和方差歸一化。且是針對每一個特征維度來做的,而不是針對樣本。

【註意:】
並不是所有的標準化都能給estimator帶來好處。

# coding=utf-8
# 統計訓練集的 mean 和 std 信息
from sklearn.preprocessing import StandardScaler
import numpy as np
 
 
def test_algorithm():
    np.random.seed(123)
    print('use StandardScaler')
    # 註:shape of data: [n_samples, n_features]
    data = np.random.randn(3, 4)
    scaler = StandardScaler()
    scaler.fit(data)
    trans_data = scaler.transform(data)
    print('original data: ')
    print(data)
    print('transformed data: ')
    print(trans_data)
    print('scaler info: scaler.mean_: {}, scaler.var_: {}'.format(scaler.mean_, scaler.var_))
    print('\n')
 
    print('use numpy by self')
    mean = np.mean(data, axis=0)
    std = np.std(data, axis=0)
    var = std * std
    print('mean: {}, std: {}, var: {}'.format(mean, std, var))
    # numpy 的廣播功能
    another_trans_data = data - mean
    # 註:是除以標準差
    another_trans_data = another_trans_data / std
    print('another_trans_data: ')
    print(another_trans_data)
 
 
if __name__ == '__main__':
    test_algorithm()

運行結果:

9 PolynomialFeatures

使用sklearn.preprocessing.PolynomialFeatures來進行特征的構造。

它是使用多項式的方法來進行的,如果有a,b兩個特征,那麼它的2次多項式為(1,a,b,a^2,ab, b^2)。

PolynomialFeatures有三個參數

degree:控制多項式的度

interaction_only: 默認為False,如果指定為True,那麼就不會有特征自己和自己結合的項,上面的二次項中沒有a^2和b^2。

include_bias:默認為True。如果為True的話,那麼就會有上面的 1那一項。

import pandas as pd
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
 
path = r"activity_recognizer\1.csv"
# 數據在https://archive.ics.uci.edu/ml/datasets/Activity+Recognition+from+Single+Chest-Mounted+Accelerometer
df = pd.read_csv(path, header=None)
df.columns = ['index', 'x', 'y', 'z', 'activity']
 
knn = KNeighborsClassifier()
knn_params = {'n_neighbors': [3, 4, 5, 6]}
X = df[['x', 'y', 'z']]
y = df['activity']
 
from sklearn.preprocessing import PolynomialFeatures
 
poly = PolynomialFeatures(degree=2, include_bias=False, interaction_only=False)
X_ploly = poly.fit_transform(X)
X_ploly_df = pd.DataFrame(X_ploly, columns=poly.get_feature_names())
print(X_ploly_df.head())

運行結果:

x0 x1 x2 x0^2 x0 x1 x0 x2 x1^2 \
0 1502.0 2215.0 2153.0 2256004.0 3326930.0 3233806.0 4906225.0
1 1667.0 2072.0 2047.0 2778889.0 3454024.0 3412349.0 4293184.0
2 1611.0 1957.0 1906.0 2595321.0 3152727.0 3070566.0 3829849.0
3 1601.0 1939.0 1831.0 2563201.0 3104339.0 2931431.0 3759721.0
4 1643.0 1965.0 1879.0 2699449.0 3228495.0 3087197.0 3861225.0

x1 x2 x2^2
0 4768895.0 4635409.0
1 4241384.0 4190209.0
2 3730042.0 3632836.0
3 3550309.0 3352561.0
4 3692235.0 3530641.0

4、10+款機器學習算法對比

Sklearn API:http://scikit-learn.org/stable/modules/classes.html#module-sklearn.ensemble

4.1 生成數據

import numpy as np
np.random.seed(10)
%matplotlib inline 
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import (RandomTreesEmbedding, RandomForestClassifier,
                              GradientBoostingClassifier)
from sklearn.preprocessing import OneHotEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_curve,accuracy_score,recall_score
from sklearn.pipeline import make_pipeline
from sklearn.calibration import calibration_curve
import copy
print(__doc__)
from matplotlib.colors import ListedColormap
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import make_moons, make_circles, make_classification
from sklearn.neural_network import MLPClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.gaussian_process import GaussianProcessClassifier
from sklearn.gaussian_process.kernels import RBF
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis
 
# 數據
X, y = make_classification(n_samples=100000)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,random_state = 4000)  # 對半分
X_train, X_train_lr, y_train, y_train_lr = train_test_split(X_train,
                                                            y_train,
                                                            test_size=0.2,random_state = 4000)
print(X_train.shape, X_test.shape, y_train.shape, y_test.shape)
 
def yLabel(y_pred):
    y_pred_f = copy.copy(y_pred)
    y_pred_f[y_pred_f>=0.5] = 1
    y_pred_f[y_pred_f<0.5] = 0
    return y_pred_f
 
def acc_recall(y_test, y_pred_rf):
    return {'accuracy': accuracy_score(y_test, yLabel(y_pred_rf)), \
            'recall': recall_score(y_test, yLabel(y_pred_rf))}

4.2 八款主流機器學習模型

h = .02  # step size in the mesh
names = ["Nearest Neighbors", "Linear SVM", "RBF SVM",
         "Decision Tree", "Neural Net", "AdaBoost",
         "Naive Bayes", "QDA"]
# 去掉"Gaussian Process",太耗時,是其他的300倍以上
 
classifiers = [
    KNeighborsClassifier(3),
    SVC(kernel="linear", C=0.025),
    SVC(gamma=2, C=1),
    #GaussianProcessClassifier(1.0 * RBF(1.0)),
    DecisionTreeClassifier(max_depth=5),
    #RandomForestClassifier(max_depth=5, n_estimators=10, max_features=1),
    MLPClassifier(alpha=1),
    AdaBoostClassifier(),
    GaussianNB(),
    QuadraticDiscriminantAnalysis()]
 
predictEight = {}
for name, clf in zip(names, classifiers):
    predictEight[name] = {}
    predictEight[name]['prob_pos'],predictEight[name]['fpr_tpr'],predictEight[name]['acc_recall'] = [],[],[]
    predictEight[name]['importance'] = []
    print('\n --- Start Model : %s ----\n'%name)
    %time clf.fit(X_train, y_train)
    # 一些計算決策邊界的模型 計算decision_function
    if hasattr(clf, "decision_function"):
        %time prob_pos = clf.decision_function(X_test)
        # # The confidence score for a sample is the signed distance of that sample to the hyperplane.
    else:
        %time prob_pos= clf.predict_proba(X_test)[:, 1]
        prob_pos = (prob_pos - prob_pos.min()) / (prob_pos.max() - prob_pos.min())
        # 需要歸一化
    predictEight[name]['prob_pos'] = prob_pos
 
    # 計算ROC、acc、recall
    predictEight[name]['fpr_tpr'] = roc_curve(y_test, prob_pos)[:2]
    predictEight[name]['acc_recall'] = acc_recall(y_test, prob_pos)  # 計算準確率與召回
 
    # 提取信息
    if hasattr(clf, "coef_"):
        predictEight[name]['importance'] = clf.coef_
    elif hasattr(clf, "feature_importances_"):
        predictEight[name]['importance'] = clf.feature_importances_
    elif hasattr(clf, "sigma_"):
        predictEight[name]['importance'] = clf.sigma_
        # variance of each feature per class 在樸素貝葉斯之中體現

結果輸出類似:

Automatically created module for IPython interactive environment
 
 — Start Model : Nearest Neighbors —-
 
CPU times: user 103 ms, sys: 0 ns, total: 103 ms
Wall time: 103 ms
CPU times: user 2min 8s, sys: 3.43 ms, total: 2min 8s
Wall time: 2min 9s
 
 — Start Model : Linear SVM —-
 
CPU times: user 25.4 s, sys: 149 ms, total: 25.6 s
Wall time: 25.6 s
CPU times: user 3.47 s, sys: 1.23 ms, total: 3.47 s
Wall time: 3.47 s

4.3 樹模型 – 隨機森林

案例地址:http://scikit-learn.org/stable/auto_examples/ensemble/plot_feature_transformation.html#sphx-glr-auto-examples-ensemble-plot-feature-transformation-py

'''
model 0 : lm
logistic
'''
print('LM 開始計算...')
lm = LogisticRegression()
%time lm.fit(X_train, y_train)
y_pred_lm = lm.predict_proba(X_test)[:, 1]
fpr_lm, tpr_lm, _ = roc_curve(y_test, y_pred_lm)
lm_ar = acc_recall(y_test, y_pred_lm)  # 計算準確率與召回
 
'''
model 1 : rt + lm
無監督變換 + lg
'''
# Unsupervised transformation based on totally random trees
print('隨機森林編碼+LM 開始計算...')
 
 
rt = RandomTreesEmbedding(max_depth=3, n_estimators=n_estimator,
    random_state=0)
# 數據集的無監督變換到高維稀疏表示。
 
rt_lm = LogisticRegression()
pipeline = make_pipeline(rt, rt_lm)
%time pipeline.fit(X_train, y_train)
y_pred_rt = pipeline.predict_proba(X_test)[:, 1]
fpr_rt_lm, tpr_rt_lm, _ = roc_curve(y_test, y_pred_rt)
rt_lm_ar = acc_recall(y_test, y_pred_rt)  # 計算準確率與召回
 
'''
model 2 : RF / RF+LM
'''
print('\n 隨機森林系列 開始計算... ')
 
# Supervised transformation based on random forests
rf = RandomForestClassifier(max_depth=3, n_estimators=n_estimator)
rf_enc = OneHotEncoder()
rf_lm = LogisticRegression()
rf.fit(X_train, y_train)
rf_enc.fit(rf.apply(X_train))  # rf.apply(X_train)-(1310, 100)     X_train-(1310, 20)
# 用100棵樹的信息作為X,載入做LM模型
%time rf_lm.fit(rf_enc.transform(rf.apply(X_train_lr)), y_train_lr)
 
y_pred_rf_lm = rf_lm.predict_proba(rf_enc.transform(rf.apply(X_test)))[:, 1]
fpr_rf_lm, tpr_rf_lm, _ = roc_curve(y_test, y_pred_rf_lm)
rf_lm_ar = acc_recall(y_test, y_pred_rf_lm)  # 計算準確率與召回
 
'''
model 2 : GRD / GRD + LM
'''
print('\n 梯度提升樹系列 開始計算... ')
 
grd = GradientBoostingClassifier(n_estimators=n_estimator)
grd_enc = OneHotEncoder()
grd_lm = LogisticRegression()
grd.fit(X_train, y_train)
grd_enc.fit(grd.apply(X_train)[:, :, 0])
%time grd_lm.fit(grd_enc.transform(grd.apply(X_train_lr)[:, :, 0]), y_train_lr)
 
y_pred_grd_lm = grd_lm.predict_proba(
    grd_enc.transform(grd.apply(X_test)[:, :, 0]))[:, 1]
fpr_grd_lm, tpr_grd_lm, _ = roc_curve(y_test, y_pred_grd_lm)
grd_lm_ar = acc_recall(y_test, y_pred_grd_lm)  # 計算準確率與召回
 
# The gradient boosted model by itself
y_pred_grd = grd.predict_proba(X_test)[:, 1]
fpr_grd, tpr_grd, _ = roc_curve(y_test, y_pred_grd)
grd_ar = acc_recall(y_test, y_pred_grd)  # 計算準確率與召回
 
 
# The random forest model by itself
y_pred_rf = rf.predict_proba(X_test)[:, 1]
fpr_rf, tpr_rf, _ = roc_curve(y_test, y_pred_rf)
rf_ar = acc_recall(y_test, y_pred_rf)  # 計算準確率與召回

輸出結果為:

LM 開始計算…
隨機森林編碼+LM 開始計算…
CPU times: user 591 ms, sys: 85.5 ms, total: 677 ms
Wall time: 574 ms
 
 隨機森林系列 開始計算…
CPU times: user 76 ms, sys: 0 ns, total: 76 ms
Wall time: 76 ms
 
 梯度提升樹系列 開始計算…
CPU times: user 60.6 ms, sys: 0 ns, total: 60.6 ms
Wall time: 60.6 ms

4.4 一些結果展示:每個模型的準確率與召回率

# 8款常規模型
for x,y in predictEight.items():
    print('\n ----- The Model  : %s , -----\n '%(x)  )
    print(predictEight[x]['acc_recall'])
 
# 樹模型
names = ['LM','LM + RT','LM + RF','GBT + LM','GBT','RF']
ar_list = [lm_ar,rt_lm_ar,rf_lm_ar,grd_lm_ar,grd_ar,rf_ar]
for x,y in zip(names,ar_list):
    print('\n --- %s 準確率與召回為: ---- \n '%x,y)

結果輸出:

 —– The Model  : Linear SVM , —–
{‘recall’: 0.84561049445005043, ‘accuracy’: 0.89100000000000001}
 —- The Model  : Decision Tree , —–
{‘recall’: 0.90918264379414737, ‘accuracy’: 0.89949999999999997}
 —– The Model  : AdaBoost , —–
{‘recall’: 0.028254288597376387, ‘accuracy’: 0.51800000000000002}
 —– The Model  : Neural Net , —–
{‘recall’: 0.91523713420787078, ‘accuracy’: 0.90249999999999997}
 —– The Model  : Naive Bayes , —–
{‘recall’: 0.91523713420787078, ‘accuracy’: 0.89300000000000002}

4.5 結果展示:校準曲線

Calibration curves may also be referred to as reliability diagrams.
可靠性檢驗的方式。

# #############################################################################
# Plot calibration plots
names = ["Nearest Neighbors", "Linear SVM", "RBF SVM",
         "Decision Tree", "Neural Net", "AdaBoost",
         "Naive Bayes", "QDA"]
 
 
plt.figure(figsize=(15, 15))
ax1 = plt.subplot2grid((3, 1), (0, 0), rowspan=2)
ax2 = plt.subplot2grid((3, 1), (2, 0))
 
ax1.plot([0, 1], [0, 1], "k:", label="Perfectly calibrated")
for prob_pos, name in [[predictEight[n]['prob_pos'],n] for n in names] + [(y_pred_lm,'LM'),
                       (y_pred_rt,'RT + LM'),
                       (y_pred_rf_lm,'RF + LM'),
                       (y_pred_grd_lm,'GBT + LM'),
                       (y_pred_grd,'GBT'),
                       (y_pred_rf,'RF')]:
 
    prob_pos = (prob_pos - prob_pos.min()) / (prob_pos.max() - prob_pos.min())
 
    fraction_of_positives, mean_predicted_value = calibration_curve(y_test, prob_pos, n_bins=10)
 
    ax1.plot(mean_predicted_value, fraction_of_positives, "s-",
             label="%s" % (name, ))
 
    ax2.hist(prob_pos, range=(0, 1), bins=10, label=name,
             histtype="step", lw=2)
 
ax1.set_ylabel("Fraction of positives")
ax1.set_ylim([-0.05, 1.05])
ax1.legend(loc="lower right")
ax1.set_title('Calibration plots  (reliability curve)')
 
ax2.set_xlabel("Mean predicted value")
ax2.set_ylabel("Count")
ax2.legend(loc="upper center", ncol=2)
 
plt.tight_layout()
plt.show()

第一張圖
fraction_of_positives,每個概率片段,正數的比例= 正數/總數
Mean predicted value,每個概率片段,正數的平均值
第二張圖
每個概率分數段的個數

結果展示為:

4.6 模型的結果展示:重要性輸出

大傢都知道一些樹模型可以輸出重要性,回歸模型可以輸出系數,帶有決策平面的(譬如SVM)可以計算點到決策邊界的距離。

# 重要性
print('\n -------- RadomFree importances ------------\n')
print(rf.feature_importances_)
print('\n -------- GradientBoosting importances ------------\n')
print(grd.feature_importances_)
print('\n -------- Logistic Coefficient  ------------\n')
lm.coef_ 
# 其他幾款模型的特征選擇
[[predictEight[n]['importance'],n] for n in names if predictEight[n]['importance'] != [] ]

在本次10+機器學習案例之中,可以看到,可以輸出重要性的模型有:
隨機森林rf.feature_importances_
GBTgrd.feature_importances_
Decision Tree decision.feature_importances_
AdaBoost AdaBoost.feature_importances_

可以計算系數的有:線性模型,lm.coef_ 、 SVM svm.coef_

Naive Bayes得到的是:NaiveBayes.sigma_

解釋為:variance of each feature per class

4.7 ROC值的計算與plot

plt.figure(1)
plt.plot([0, 1], [0, 1], 'k--')
plt.plot(fpr_lm, tpr_lm, label='LR')
plt.plot(fpr_rt_lm, tpr_rt_lm, label='RT + LR')
plt.plot(fpr_rf, tpr_rf, label='RF')
plt.plot(fpr_rf_lm, tpr_rf_lm, label='RF + LR')
plt.plot(fpr_grd, tpr_grd, label='GBT')
plt.plot(fpr_grd_lm, tpr_grd_lm, label='GBT + LR')
# 8 款模型
for (fpr,tpr),name in [[predictEight[n]['fpr_tpr'],n] for n in names] :
    plt.plot(fpr, tpr, label=name)
 
 
plt.xlabel('False positive rate')
plt.ylabel('True positive rate')
plt.title('ROC curve')
plt.legend(loc='best')
plt.show()
 
plt.figure(2)
plt.xlim(0, 0.2)
plt.ylim(0.4, 1)     # ylim改變     # matt
plt.plot([0, 1], [0, 1], 'k--')
plt.plot(fpr_lm, tpr_lm, label='LR')
plt.plot(fpr_rt_lm, tpr_rt_lm, label='RT + LR')
plt.plot(fpr_rf, tpr_rf, label='RF')
plt.plot(fpr_rf_lm, tpr_rf_lm, label='RF + LR')
plt.plot(fpr_grd, tpr_grd, label='GBT')
plt.plot(fpr_grd_lm, tpr_grd_lm, label='GBT + LR')
for (fpr,tpr),name in [[predictEight[n]['fpr_tpr'],n] for n in names] :
    plt.plot(fpr, tpr, label=name)
plt.xlabel('False positive rate')
plt.ylabel('True positive rate')
plt.title('ROC curve (zoomed in at top left)')
plt.legend(loc='best')
plt.show()

到此這篇關於一文搞懂Python Sklearn庫使用方法的文章就介紹到這瞭,更多相關Python Sklearn庫內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: