Kaggle入门——使用scikit-learn解决DigitRecognition问题
@author: wepon
@blog: http://blog.csdn.net/u012162613
1、scikit-learn简介
scikit-learn是一个基于NumPy、SciPy、Matplotlib的开源机器学习工具包,采用Python语言编写,主要涵盖分类、
回归和聚类等算法,例如knn、SVM、逻辑回归、朴素贝叶斯、随机森林、k-means等等诸多算法,官网上代码和文档
都非常不错,对于机器学习开发者来说,是一个使用方便而强大的工具,节省不少开发时间。
scikit-learn官网指南:http://scikit-learn.org/stable/user_guide.html
上一篇文章《大数据竞赛平台—Kaggle入门》 我分两部分内容介绍了Kaggle,在第二部分中,我记录了解决Kaggle上的竞赛项目DigitRecognition的整个过程,当时我是用自己写的kNN算法,尽管自己写歌kNN算法并不会花很多时间,但是当我们想尝试更多、更复杂的算法,如果每个算法都自己实现的话,会很浪费时间,这时候scikit-learn就发挥作用了,我们可以直接调用scikit-learn的算法包。当然,对于初学者来说,最好还是在理解了算法的基础上,来调用这些算法包,如果有时间,自己完整地实现一个算法相信会让你对算法掌握地更深入。
OK,话休絮烦,下面进入第二部分。
2、使用scikit-learn解决DigitRecognition
我发现自己很喜欢用DigitRecognition这个问题来练习分类算法,因为足够简单。如果你还不知道DigitRecognition问题是什么,请先简单了解一下:Kaggle DigitRecognition ,在我上一篇文章中也有描述:《大数据竞赛平台—Kaggle入门》 。下面我使用scikit-learn中的算法包kNN(k近邻)、SVM(支持向量机)、NB(朴素贝叶斯)来解决这个问题,解决问题的关键步骤有两个:1、处理数据。2、调用算法。
(1)处理数据
这一部分与上一篇文章《大数据竞赛平台—Kaggle入门》 中第二部分的数据处理是一样的,本文不打算重复,下面只简单地罗列各个函数及其功能,在本文最后部分也有详细的代码。
- def loadTrainData():
- #这个函数从train.csv文件中获取训练样本:trainData、trainLabel
- def loadTestData():
- #这个函数从test.csv文件中获取测试样本:testData
- def toInt(array):
- def nomalizing(array):
- #这两个函数在loadTrainData()和loadTestData()中被调用
- #toInt()将字符串数组转化为整数,nomalizing()归一化整数
- def loadTestResult():
- #这个函数加载测试样本的参考label,是为了后面的比较
- def saveResult(result,csvName):
- #这个函数将result保存为csv文件,以csvName命名
“处理数据”部分,我们从train.csv、test.csv文件中获取了训练样本的feature、训练样本的label、测试样本的feature,在程序中我们用trainData、trainLabel、testData表示。
(2)调用scikit-learn中的算法
kNN算法
- #调用scikit的knn算法包
- from sklearn.neighbors import KNeighborsClassifier
- def knnClassify(trainData,trainLabel,testData):
- knnClf=KNeighborsClassifier()#default:k = 5,defined by yourself:KNeighborsClassifier(n_neighbors=10)
- knnClf.fit(trainData,ravel(trainLabel))
- testLabel=knnClf.predict(testData)
- saveResult(testLabel,'sklearn_knn_Result.csv')
- return testLabel
kNN算法包可以自己设定参数k,默认k=5,上面的comments有说明。
更加详细的使用,推荐上官网查看:http://scikit-learn.org/stable/modules/neighbors.html
SVM算法
- #调用scikit的SVM算法包
- from sklearn import svm
- def svcClassify(trainData,trainLabel,testData):
- svcClf=svm.SVC(C=5.0) #default:C=1.0,kernel = 'rbf'. you can try kernel:‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’
- svcClf.fit(trainData,ravel(trainLabel))
- testLabel=svcClf.predict(testData)
- saveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')
- return testLabel
SVC()的参数有很多,核函数默认为'rbf'(径向基函数),C默认为1.0
更加详细的使用,推荐上官网查看:http://scikit-learn.org/stable/modules/svm.html
朴素贝叶斯算法
- #调用scikit的朴素贝叶斯算法包,GaussianNB和MultinomialNB
- from sklearn.naive_bayes import GaussianNB #nb for 高斯分布的数据
- def GaussianNBClassify(trainData,trainLabel,testData):
- nbClf=GaussianNB()
- nbClf.fit(trainData,ravel(trainLabel))
- testLabel=nbClf.predict(testData)
- saveResult(testLabel,'sklearn_GaussianNB_Result.csv')
- return testLabel
- from sklearn.naive_bayes import MultinomialNB #nb for 多项式分布的数据
- def MultinomialNBClassify(trainData,trainLabel,testData):
- nbClf=MultinomialNB(alpha=0.1) #default alpha=1.0,Setting alpha = 1 is called Laplace smoothing, while alpha < 1 is called Lidstone smoothing.
- nbClf.fit(trainData,ravel(trainLabel))
- testLabel=nbClf.predict(testData)
- saveResult(testLabel,'sklearn_MultinomialNB_alpha=0.1_Result.csv')
- return testLabel
上面我尝试了两种朴素贝叶斯算法:高斯分布的和多项式分布的。多项式分布的函数有参数alpha可以自设定。
更加详细的使用,推荐上官网查看:http://scikit-learn.org/stable/modules/naive_bayes.html
使用方法总结:
第一步:首先确定使用哪种分类器,这一步可以设置各种参数,比如:
- svcClf=svm.SVC(C=5.0)
第二步:接这个分类器要使用哪些训练数据?调用fit方法,比如:
- svcClf.fit(trainData,ravel(trainLabel))
fit(X,y)说明:
X: 对应trainData
array-like, shape = [n_samples, n_features],X是训练样本的特征向量集,n_samples行n_features列,即每个训练样本占一行,每个训练样本有多少特征就有多少列。
y: 对应trainLabel
array-like, shape = [n_samples],y必须是一个行向量,这也是上面为什么使用numpy.ravel()函数的原因。
第三步:使用分类器预测测试样本,比如:
- testLabel=svcClf.predict(testData)
第四步:保存结果,这一步是取决于我们解决问题的要求,因为本文以DigitRecognition为例,所以有:
- saveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')
(3)make a submission
上面基本就是整个开发过程了,下面看一下各个算法的效果,在Kaggle上make a submission
knn算法的效果,准确率95.871%
朴素贝叶斯,alpha=1.0,准确率81.043%
SVM,linear核,准确率93.943%
3、工程文件
贴一下代码:
- #!/usr/bin/python
- # -*- coding: utf-8 -*-
- """
- Created on Tue Dec 16 21:59:00 2014
- @author: wepon
- @blog:http://blog.csdn.net/u012162613
- """
- from numpy import *
- import csv
- def toInt(array):
- array=mat(array)
- m,n=shape(array)
- newArray=zeros((m,n))
- for i in xrange(m):
- for j in xrange(n):
- newArray[i,j]=int(array[i,j])
- return newArray
- def nomalizing(array):
- m,n=shape(array)
- for i in xrange(m):
- for j in xrange(n):
- if array[i,j]!=0:
- array[i,j]=1
- return array
- def loadTrainData():
- l=[]
- with open('train.csv') as file:
- lines=csv.reader(file)
- for line in lines:
- l.append(line) #42001*785
- l.remove(l[0])
- l=array(l)
- label=l[:,0]
- data=l[:,1:]
- return nomalizing(toInt(data)),toInt(label) #label 1*42000 data 42000*784
- #return trainData,trainLabel
- def loadTestData():
- l=[]
- with open('test.csv') as file:
- lines=csv.reader(file)
- for line in lines:
- l.append(line)#28001*784
- l.remove(l[0])
- data=array(l)
- return nomalizing(toInt(data)) # data 28000*784
- #return testData
- def loadTestResult():
- l=[]
- with open('knn_benchmark.csv') as file:
- lines=csv.reader(file)
- for line in lines:
- l.append(line)#28001*2
- l.remove(l[0])
- label=array(l)
- return toInt(label[:,1]) # label 28000*1
- #result是结果列表
- #csvName是存放结果的csv文件名
- def saveResult(result,csvName):
- with open(csvName,'wb') as myFile:
- myWriter=csv.writer(myFile)
- for i in result:
- tmp=[]
- tmp.append(i)
- myWriter.writerow(tmp)
- #调用scikit的knn算法包
- from sklearn.neighbors import KNeighborsClassifier
- def knnClassify(trainData,trainLabel,testData):
- knnClf=KNeighborsClassifier()#default:k = 5,defined by yourself:KNeighborsClassifier(n_neighbors=10)
- knnClf.fit(trainData,ravel(trainLabel))
- testLabel=knnClf.predict(testData)
- saveResult(testLabel,'sklearn_knn_Result.csv')
- return testLabel
- #调用scikit的SVM算法包
- from sklearn import svm
- def svcClassify(trainData,trainLabel,testData):
- svcClf=svm.SVC(C=5.0) #default:C=1.0,kernel = 'rbf'. you can try kernel:‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’
- svcClf.fit(trainData,ravel(trainLabel))
- testLabel=svcClf.predict(testData)
- saveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')
- return testLabel
- #调用scikit的朴素贝叶斯算法包,GaussianNB和MultinomialNB
- from sklearn.naive_bayes import GaussianNB #nb for 高斯分布的数据
- def GaussianNBClassify(trainData,trainLabel,testData):
- nbClf=GaussianNB()
- nbClf.fit(trainData,ravel(trainLabel))
- testLabel=nbClf.predict(testData)
- saveResult(testLabel,'sklearn_GaussianNB_Result.csv')
- return testLabel
- from sklearn.naive_bayes import MultinomialNB #nb for 多项式分布的数据
- def MultinomialNBClassify(trainData,trainLabel,testData):
- nbClf=MultinomialNB(alpha=0.1) #default alpha=1.0,Setting alpha = 1 is called Laplace smoothing, while alpha < 1 is called Lidstone smoothing.
- nbClf.fit(trainData,ravel(trainLabel))
- testLabel=nbClf.predict(testData)
- saveResult(testLabel,'sklearn_MultinomialNB_alpha=0.1_Result.csv')
- return testLabel
- def digitRecognition():
- trainData,trainLabel=loadTrainData()
- testData=loadTestData()
- #使用不同算法
- result1=knnClassify(trainData,trainLabel,testData)
- result2=svcClassify(trainData,trainLabel,testData)
- result3=GaussianNBClassify(trainData,trainLabel,testData)
- result4=MultinomialNBClassify(trainData,trainLabel,testData)
- #将结果与跟给定的knn_benchmark对比,以result1为例
- resultGiven=loadTestResult()
- m,n=shape(testData)
- different=0 #result1中与benchmark不同的label个数,初始化为0
- for i in xrange(m):
- if result1[i]!=resultGiven[0,i]:
- different+=1
- print different
原文链接:http://blog.csdn.net/u012162613/article/details/41978235