机器学习之分类算法1

机器学习之分类算法1

k-近邻算法(KNN)

定义：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)，则该样本属于这个类别
ps：k取值很小时容易受异常点影响，取值很大时容易受k值数量影响
优点：易于实现，无需估计参数，无需训练
缺点：懒惰算法，内存开销大；必须指定k值，k值指定不当则不能保证精度
使用场景：小数据场景，几千到几万样本
加快搜索速度–基于算法改进的KDTree（sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, algorithm=‘auto’)）其中algorithm可为auto、ball_tree、kd_tree、brute，auto是尝试根据传递给fit的值来确定合适的方法

朴素贝叶斯

贝叶斯公式：
$$P(C|F1,F2...)=\frac{P(F1,F2,...|C)P(C)}{P(F1,F2,...)}$$
拉普拉斯平滑：
$$P(F|C)=\frac{Ni+a}{N+am}$$
a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
拉普拉斯平滑用以解决贝叶斯中涉及的词频为0的情况

优点：有稳定分类效率；对缺失数据不敏感，常用于文本分类；分类速度快精确度高
缺点：由于使用了样本属性独立性的假设，如果样本属性相关联时效果不好

代码实现

from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.datasets import fetch_20newsgroups
from sklearn.naive_bayes import MultinomialNB

def knncls():
    data = pd.read_csv("~.csv")
    print(data.head())
    data.query("x>1.0 & x<1.25")
    time_value = pd.to_datetime(data['time'], unit='s')
    print(time_value)
    data['day'] = time_value.day
    data.drop(['time'], axis=1) #列
    print(data)
    place_count = data.groupby('place_id').count()
    tf = place_count[place_count.row_id > 3].reset_index()
    data = data[data['place_id'].isin(tf.place_id)]
    y= data['place_id']
    x= data.drop(['place_id'], axis=1)
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
    knn = KNeighborsClassifier(n_neighbors=5)
    knn.fit(x_train, y_train)
    y_predict = knn.predict(x_test)
    print('准确率', knn.score(x_test, y_test))
    return

def naivebayes():
    news = fetch_20newsgroups(subset='all')
    x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)
    tf = TfidfVectorizer()
    x_train = tf.fit_transform(x_train)
    print(tf.get_feature_names())
    x_test = tf.fit_transform(x_test)
    mlt = MultinomialNB(alpha=1.0)
    print(x_train.toarray())
    mlt.fit(x_train, y_train)
    y_predict = mlt.predict(x_test)
    print('准确率为', mlt.score(x_test, y_test))
    return

naivebayes()

混淆矩阵

精确率和召回率

F1-score

反映模型稳健性
$$F1=\frac{2TP}{2TP+FN+FP}=\frac{2\ast Precision\ast Recall}{Precision+Recall}$$

交叉验证

在给定的建模样本中，拿出大部分样本进行建模型，留小部分样本用刚建立的模型进行预报，并求这小部分样本的预报误差，记录它们的平方加和

超参数搜索-网格搜索

通常情况下，很多参数需要手动指定（如k-近邻算法中的k值），这种叫超参数。但手动过程繁杂，所以每组超参数都用交叉验证来评估