机器学习项目实践步骤简述

1 基本步骤

1.1 导入数据

1.1.1 导入类库

from pandas import read_csv
from pandas.plotting import scatter_matrix
from matplotlib import pyplot
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.svm import SVC

1.1.2 导入数据集

# 导入数据
filename = 'iris.data.csv'
names = ['separ-length', 'separ-width', 'petal-length', 'petal-width', 'class']
dataset = read_csv(filename, names=names)

1.2 概述数据

1.2.1 数据维度

print('数据维度：行 %s, 列 %s' % dataset.shape)

1.2.2 查看数据自身

# 查看数据前10行
print(dataset.head(10))

1.2.3 统计描述数据

print(dataset.describe())

注：统计数据描述的信息包括数据的行数、中位数、最大值、最小值、均值、四分位值等统计数据信息。

1.2.4 数据分类分布

print(dataset.groupby('class').size())

1.3 数据可视化

1.3.1 单变量图表

# 箱线图
dataset.plot(kind='box', subplots=True, layout=(2, 2), sharex=False, sharey=False)
pyplot.show()
# 直方图
dataset.hist()
pyplot.show()

1.3.2 多变量图表

# 散点矩阵图
scatter_matrix(dataset)
pyplot.show()

1.4 评估算法

1.4.1 分离出评估数据集

# 分离数据集
array = dataset.values
X = array[:, 0:4]
Y = array[:, 4]
validation_size = 0.2
seed = 7
X_train, X_validation, Y_train, Y_validation = \
    train_test_split(X, Y, test_size=validation_size, random_state=seed)

注：random_state是关于数据随机状态的参数，而对于数据集的分离，本质上是随机的，设置不同的随机状态可以彻底改变拆分的结果，固定random_state后，每次构建的模型是相同的、生成的数据集是相同的、每次的拆分结果也是相同的。

1.4.2 评估模式

将通过10折交叉验证来分离训练数据集，并评估算法模型的准确度。10折交叉验证是随机地将数据分成10份：9份用来训练模型，1份用来评估算法。

1.4.3 创建模型

# 算法审查
models = {}
models['LR'] = LogisticRegression()  # 线性规划
models['LDA'] = LinearDiscriminantAnalysis()  # 线性判别分析
models['KNN'] = KNeighborsClassifier()  # K近邻
models['CART'] = DecisionTreeClassifier()  # 分类与回归树
models['NB'] = GaussianNB()  # 贝叶斯分类器
models['SVM'] = SVC()  # 支持向量机
# 评估算法
results = []
for key in models:
    kfold = KFold(n_splits=10, shuffle=True, random_state=seed)  # 交叉验证
    cv_results = cross_val_score(models[key], X_train, Y_train, cv=kfold, scoring='accuracy')
    results.append(cv_results)
    print('%s: %f(%f)' % (key, cv_results.mean(), cv_results.std()))

1.4.4 选择最优模型

1.5 实施预测

# 使用评估数据集评估算法
svm = SVC()
svm.fit(X=X_train, y=Y_train)
predictions = svm.predict(X_validation)
print(accuracy_score(Y_validation, predictions))
print(confusion_matrix(Y_validation, predictions))
print(classification_report(Y_validation, predictions))

参考资料

[1] 魏贞原.2018.机器学习:Python实践[M].北京:电子工业出版社

[2] 对random_state参数的理解_枪枪枪的博客-CSDN博客_random_state

[3] k-交叉验证KFold_a1013552415的博客-CSDN博客_kfold 交叉验证