机器学习——分类算法
K-近邻算法(KNN)
K Nearest Neighbor算法又叫KNN算法,它的原理是如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。
两个样本间距离可通过欧式距离计算,如a(a1,a2,a3),b(b1,b2,b3),则:
k值取的太小容易受到异常点的影响,而取的过大容易受到样本不均衡的影响。
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScalerdef knn_demo():# 1)读取数据iris = load_iris()# 2)划分数据集x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6) # 前两个参数传的是特征值和目标值# 3)特征工程:标准化transfer = StandardScaler()x_train = transfer.fit_transform(x_train) # fit_transform其实是fit计算均值、标准差和transform按照计算的均值、标准差将数据转换两个步骤,它们都是转换器x_test = transfer.transform(x_test) # 这里测试集需要用训练集的均值和标准差来进行转换,所以transform就好# 4)KNN算法预估器estimator = KNeighborsClassifier(n_neighbors=3) # estimator是预估器,n_neighbors=3即k值为3的意思,不填默认为5estimator.fit(x_train, y_train) # 这里的fit做的工作是训练模型(也是计算的一种)# 5)模型评估# 方法一:直接比对真实值和预测值y_predict = estimator.predict(x_test)print("y_predict:\\n", y_predict)print("直接比对真实值和预测值:\\n", y_test == y_predict) # 每个数据都比对,相等的返回True# 方法二:计算准确率score = estimator.score(x_test, y_test) # 相当于在方法一比对的基础上算出了预测的准确率print("准确率为:\\n", score)return Noneif __name__ == "__main__":knn_demo()
模型的选择与调优
- 交叉验证
- 超参数搜索
交叉验证(cross validation)
目的是为了让训练得到的模型结果更加准确。做法:将拿到的训练数据,分为训练集和验证集。以下图为例:将数据分成4份,其中一份作为验证集,然后经过4次(组)的测试,每次都更换不同的验证集,即得到4组模型的结果,取平均值作为最终结果,称为4折交叉验证。
- 训练集:训练集+验证集
- 测试集:测试集
超参数搜索-网格搜索(Gird Search)
通常情况下,有很多参数是需要手动指定的(如k-近邻算法中的k值),这种叫超参数。但是手动调参繁杂,所以需要对模型预设几种超参数组合。每种超参数都采用交叉验证来进行评估,最后选出最优参数组合建立模型。
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScalerdef knn_gscv_demo():# 1)读取数据iris = load_iris()# 2)划分数据集x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)# 3)特征工程:标准化transfer = StandardScaler()x_train = transfer.fit_transform(x_train)x_test = transfer.transform(x_test)# 4)KNN算法预估器estimator = KNeighborsClassifier()# 加入网络搜索与交叉验证param_dict = {"n_neighbors": [1, 2, 3, 4, 5, 6, 7, 8]} # 参数列表:相当于后面for循环一遍这些参数看看哪个好estimator = GridSearchCV(estimator, param_grid=param_dict, cv=10) # 数据量不大时cv可以大一些,即交叉验证分割的多一些,否则数据量大时cv又大会太耗时间estimator.fit(x_train, y_train)# 5)模型评估# 方法一:直接比对真实值和预测值y_predict = estimator.predict(x_test)print("y_predict:\\n", y_predict)print("直接比对真实值和预测值:\\n", y_test == y_predict)# 方法二:计算准确率score = estimator.score(x_test, y_test)print("准确率为:\\n", score) # 这里的准确率是训练集+测试集这个结构中测试集的预测准确率print("最佳参数:\\n", estimator.best_params_)print("最佳结果:\\n", estimator.best_score_) # 这里的最佳结构是测试集=测试集+验证集中验证集的结果print("最佳估计器:\\n", estimator.best_estimator_)print("交叉验证结果:\\n", estimator.cv_results_)return Noneif __name__ == "__main__":knn_gscv_demo()
朴素贝叶斯算法
朴素是因为加了个假设:特征与特征之间是相互独立的。故朴素贝叶斯算法=朴素+贝叶斯公式。
贝叶斯公式:
注:w为给定文档的特征值,c为文档类别 。
一般还需要引入拉普拉斯平滑系数进行计算,目的是为了防止计算出的分类概率为0(数据少时易出现)。
为指定系数一般为1,m为训练文档中统计出的特征词个数。
from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNBdef nb_demo():"""用朴素贝叶斯算法对新闻进行分类:return:"""# 1)读取数据news = fetch_20newsgroups(subset="all") # 数据集较大用fetch,subset默认是获取训练集,都要就all# 2)划分数据集x_train, x_test, y_train, y_test = train_test_split(news.data, news.target)# 3)特征工程:文本特征抽取-tfidftransfer = TfidfVectorizer()x_train = transfer.fit_transform(x_train)x_test = transfer.transform(x_test)# 4)朴素贝叶斯算法预估器流程estimator = MultinomialNB()estimator.fit(x_train, y_train)# 5)模型评估# 方法一:直接比对真实值和预测值y_predict = estimator.predict(x_test)print("y_predict:\\n", y_predict)print("直接比对真实值和预测值:\\n", y_test == y_predict)# 方法二:计算准确率score = estimator.score(x_test, y_test)print("准确率为:\\n", score)return Noneif __name__ == "__main__":nb_demo()
缺点:由于加了样本属性独立性的假设,所以如果特征属性有关联时效果不好。
决策树
类似于if-else嵌套构建起的一颗树。
信息熵
简单来说信息是消除随机不定性的东西,比如当我不知道小明的年龄时,小明说他今年18岁,那么小明的话就是一条信息,这时小华接着说小明明年19岁,小华的话就不是信息了。而要衡量消除的不确定性有多少,就引入了信息熵。
H的专业术语称之为信息熵,单位为比特,其中底数b一般为2。
决策树的划分条件之一 :信息增益
特征A对训练数据集D的信息增益g(D,A),定义为集合D的信息熵H(D)于特征A给定条件下D的信息条件熵H(D|A)之差:
比如从下面这个例子来理解公式,应该选取什么特征开始构建一棵树,从而决策是否贷款。
from matplotlib import pyplot as plt
from sklearn import tree
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, plot_treedef decision_demo():"""用决策树进行分类:return:"""# 1)读取数据iris = load_iris()feature_names = iris.feature_names# 2)划分数据集x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)# 3)决策树预估器estimator = DecisionTreeClassifier(criterion="entropy") # 表示用信息增益的熵分类estimator.fit(x_train, y_train)# 4)模型评估# 方法一:直接比对真实值和预测值y_predict = estimator.predict(x_test)print("y_predict:\\n", y_predict)print("直接比对真实值和预测值:\\n", y_test == y_predict)# 方法二:计算准确率score = estimator.score(x_test, y_test)print("准确率为:\\n", score)# 5)决策树的可视化# 指定图幅大小plt.figure(figsize=(18, 12))# 绘制图像_ = tree.plot_tree(estimator, filled=True, feature_names=feature_names) # 由于返回值不重要,因此直接用下划线接收plt.show()# 保存图像# plt.savefig('./tree.jpg') # 如果要保存图片记得将plt.show()注释先return Noneif __name__ == "__main__":decision_demo()
集成学习方法之随机森林
集成学习通过建立几个模型组合来解决单一预测问题。它的工作原理是生成多个分类器/模型,各自独立的学习和作出预测,这些预测最后结合成组合预测,因此优于任何一个单分类的作出预测。在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数决定。
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split, GridSearchCVdef rf_demo():"""用随机森林进行分类:return:"""# 1)读取数据iris = load_iris()# 2)划分数据集x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)# 3)随机森林预估器estimator = RandomForestClassifier()# 加入网格搜索与交叉验证# n_estimators是森林里树的个数,max_depth是树的最大深度param_dict = {"n_estimators": [120, 200, 300, 500, 800, 1200], "max_depth": [5, 8, 15, 25, 30]}estimator = GridSearchCV(estimator, param_grid=param_dict, cv=3)estimator.fit(x_train, y_train)# 4)模型评估# 方法一:直接比对真实值和预测值y_predict = estimator.predict(x_test)print("y_predict:\\n", y_predict)print("直接比对真实值和预测值:\\n", y_test == y_predict)# 方法二:计算准确率score = estimator.score(x_test, y_test)print("准确率为:\\n", score)# 最佳参数:best_params_print("最佳参数:\\n", estimator.best_params_)# 最佳结果:best_score_print("最佳结果:\\n", estimator.best_score_)# 最佳估计器:best_estimator_print("最佳估计器:\\n", estimator.best_estimator_)# 交叉验证结果:cv_results_print("交叉验证结果:\\n", estimator.cv_results_)return Noneif __name__ == "__main__":rf_demo()
- 在当前所以算法中,具有极好的准确率
- 能够有效的运行在大数据集上,处理具有高维特征的输入样本,而且不需要降维
- 能够评估各个特征在分类问题上的重要性