Python 机器学习（一）

Python 机器学习（一）

1.熟悉任务和数据
2.所需的python包
3.第一个任务：鸢尾花分类问题

一、熟悉任务和数据

构建机器学习解决方案时需要列出下列问题的答案：
1）要回答什么问题，已经收集到的数据能够回答这个问题吗？
2)将我的问题表示成机器学习问题，用哪种方法最好？
3）收集的数据是否能表达我要解决的问题？
4）提取了数据哪些特征？这些特征能否正确实现预测？
5) 如何衡量应用是否成功？

回答：
1）从给定数据图像中识别太阳射电尖峰，可以

二、所需的python包

1)Numpy
科学计算基础包
2）Scipy
科学计算函数集合，线性代数高级程序
3）matplotlib
科学绘图库，生成可发布的可视化内容，数据可视化
4）pandas
处理和分析数据

三、鸢尾花分类问题

同时利用这个案例分析，如何利用Python进行模型训练测试。
1）调用数据

from sklearn.datasets import load_iris
iris_dataset=load_iris()
print("Keys of iris_dataset:/n{}".format(iris_dataset.keys()))
	'''此处类似输出了字典的形式'''
	'''输出iris_dataset的值'''
print("Target names:{}".format(iris_dataset['target_names']))
'''输出目标的名称'''
print("feature_names :\n{}".format(iris_dataset['feature_names']))
'''输出特征集的名称'''
'''格式为Numpy数组'''
print("First five rows of data:\n{}".format(iris_dataset['data'][:5]))
'''前五个样本的特征数值'''

2)导入数据之后可以对数据进行预处理：
数据预处理处理是对数据提前进行处理和修正。主要包括：特征提取，特征降维、特征空值处理、特征转换（one-hot）、特征归一化；目标值空值处理，目标值转换（one-hot）
（其中常用的是：降维、空值、one-hot转换、归一化。）
数据处理的方法可以在sklearn上找到

3）衡量模型是否成功：训练数据和测试数据
不能用构建模型的数据进行评估，所以需要将数据分为训练数据和测试数据
直接利用scikit-learn中的train_test_spllit将打乱数据集进行拆分，将75%的行数据及对应标签作为训练集，剩余作为测试集。（交叉验证）

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(
    iris_dataset['data'],iris_dataset['target'],random_state=0
)
'''导入'''
print("X_train shape: {}".format(X_train.shape))
print("y_train shape: {}".format(y_train.shape))
print("X_test shape: {}".format(X_test.shape))
print("y_test shape: {}".format(y_test.shape))
'''显示训练集与测试集类型'''

4）在构建机器学习模型之前，先检查一下数据——>常利用可视化的方法！
可视化方法举例：绘制散点图（解决散点图不能超过三维的方法是绘制散点图矩阵，但散点图矩阵无法同时显示所有特征之间的关系）

'''利用X_train中的数据创建Dataframe'''
'''利用iris_dataset.feature_names中的字符串对数据列进行标记'''
iris_dataframe =  pd.DataFrame(X_train,columns=iris_dataset.feature_names)
#建立了一个矩阵，行名=，列名=
print(iris_dataframe)
#显示创建的矩阵
# 利用DataFrame创建散点图矩阵，按y_train着色
grr = pd.plotting.scatter_matrix(iris_dataframe,c=y_train,figsize =(15,15),marker='o',
                                 hist_kwds={'bins':20},s=60,alpha=.8,cmap=mglearn.cm3)
'''第一个参数 dataframe：iris_dataframe 按行取数据
第二个参数 c=c=y_train 颜色，用不同着色度区分不同种类
三：figsize=(15,15) 图像区域大小，英寸为单位
四：marker=‘0’ 点的形状，0是圆，1是￥
五： hist_kwds={‘bins’:50} 对角线上直方图的参数元组
六：s=60 描出点的大小
七：alpha=.8 图像透明度，一般取(0,1]
八：cmap=mglearn.cm3 mylearn实用函数库，主要对图进行一些美化等私有功能，可见
'''
plt.show()#显示图片

这段代码运行之后生成的散点图

5）K近邻算法
利用scikit-learn里的k近邻分类器
利用训练集中与新数据点距离最近的数据点，将找到的数据点的标签赋值给新数据点，也不一定是只考虑最近的一个，可为几个。
先对k近邻算法进行封装

from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=1)
'''knn对算法进行了封装，既包括用训练数据构建模型的算法，也包括对新数据点进行预测的算法
此处设邻居的数目为1'''
knn.fit(X_train,y_train)
'''调用knn对象的fit方法(返回knn对象本身，并做原处修改)，输入参数为X_train,y_train'''

利用此算法做预测：
将测试数据放在一个numpy数组中

X_new=np.array([5,2.9,1,0.2])

调用Knn对象的predict方法进行预测

X_new=np.array([[5,2.9,1,0.2]])
'''将新的测试数据转换为二维numpy数组的一行，因为scikit-learn的输入数据必须是二维数组'''
#print("X_new.shape:{}".format(X_new.shape))
prediction=knn.predict(X_new)
print("Prediction:{}".format(iris_dataset['target_names'][prediction]))
'''调用predict模块进行预测'''

X_new.shape:(1, 4)
Prediction:['setosa']

评估模型(进行交叉验证之后的步骤)：
这里用到之前创建的测试集
可以对测试数据中的每朵鸢尾花进行预测，并将预测结果与标签（已知的品种）进行对此，可以通过计算精度（品种预测正确的花所占的比例）衡量模型的优劣。

y_pred=knn.predict(X_test)
print("Test set score:{:.2f}".format(np.mean(y_pred=y_test)))

可以利用许多参数进行验证，常用得分、查准率、查全率、F1指数

此处介绍一下np.mean()函数：
mean() 函数定义：
numpy.mean(a, axis, dtype, out，keepdims )
mean()函数功能：求取均值
经常操作的参数为axis，以m * n矩阵举例：
axis 不设置值，对 mn 个数求均值，返回一个实数
axis = 0：压缩行，对各列求均值，返回 1 n 矩阵
axis =1 ：压缩列，对各行求均值，返回 m *1 矩阵

a = np.array([[1, 2], [3, 4]])
a
array([[1, 2],
[3, 4]])
np.mean(a)
2.5
np.mean(a, axis=0) # axis=0，计算每一列的均值
array([ 2., 3.])
np.mean(a, axis=1) # 计算每一行的均值
array([ 1.5, 3.5])

print("Test set score :{:2f}".format(knn.score(X_test,y_test)))
'''也可以利用knn.score模块算出精度'''

knn.score模块介绍
score(self, X, y, sample_weight=None)
算出的为统计学中的预测系数R²

6)保存结果
7)错误分析

补充

学习python网址
‘https://www.runoob.com/python3/python3-comment.html’