import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import ListedColormap
from sklearn.datasets import make_circles, make_classification, make_moons
from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis
from sklearn.ensemble import AdaBoostClassifier, RandomForestClassifier
from sklearn.gaussian_process import GaussianProcessClassifier
from sklearn.gaussian_process.kernels import RBF
from sklearn.inspection import DecisionBoundaryDisplay
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.neighbors import KNeighborsClassifier
from sklearn.neural_network import MLPClassifier
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier
# 分类器模型,依次是 最近邻分类,线性支持向量机,径向量函数支持向量机,高斯过程分类器,决策树分类器
# 随机森林分类器,神经网络分类器,AdaBoost分类器,朴素贝叶斯分类器,二次判别分析分类器
names = [
"Nearest Neighbors",
"Linear SVM",
"RBF SVM",
"Gaussian Process",
"Decision Tree",
"Random Forest",
"Neural Net",
"AdaBoost",
"Naive Bayes",
"QDA",
]
# 每种分类器在sklearn库中都对应着一个类,初始化类,对应着一些参数
classifiers = [
KNeighborsClassifier(3),
SVC(kernel="linear", C=0.025, random_state=42),
SVC(gamma=2, C=1, random_state=42),
GaussianProcessClassifier(1.0 * RBF(1.0), random_state=42),
DecisionTreeClassifier(max_depth=5, random_state=42),
RandomForestClassifier(
max_depth=5, n_estimators=10, max_features=1, random_state=42
),
MLPClassifier(alpha=1, max_iter=1000, random_state=42),
AdaBoostClassifier(random_state=42),
GaussianNB(),
QuadraticDiscriminantAnalysis(),
]
# 生成可分类随机数据集
# 参数如下,数据集特征数量为2,冗余特征为0,有效特征数为2,随机种子数为1,每个类别中簇的数量为1
# 返回一个包含两个元素的元组,分别是生成的数据集和对应的标签。
X, y = make_classification(
n_features=2, n_redundant=0, n_informative=2, random_state=1, n_clusters_per_class=1
)
# 上述方法生成的随机点属于不同类的簇过于分散,所以进行如下处理,更好的测试分类器的性能
rng = np.random.RandomState(2) # 生成一种随机模式
X += 2 * rng.uniform(size=X.shape) # 对于X中的每个点每维坐标加减0-1之间的随机数,分散些,但又不能过于分散
linearly_separable = (X, y) # 构建一个线性可分的数据集
# 生成三种数据集(月亮形状的二分类数据,环形的二分类数据),适当添加噪声值数据更贴合实际
# 这些数据集的特征数都是2,都可以在笛卡尔坐标系中进行表示,看作点集
datasets = [
make_moons(noise=0.3, random_state=0),
make_circles(noise=0.2, factor=0.5, random_state=1),
linearly_separable,
]
# 初始化画板
figure = plt.figure(figsize=(27, 9))
i = 1
# 开始处理数据集 ds_cnt是索引值,ds是数据(特征+标签),分别处理三种数据集
for ds_cnt, ds in enumerate(datasets):
# 处理数据集,X是特指值,y是标签
X, y = ds
# 利用sklearn提供的train_test_split方法来分割训练集和测试集(比例是4-6)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.4, random_state=42
)
# 计算这些点集(x,y)的最小值和最大值,
x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
y_min, y_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5
# 利用Matplotlib 库中的一种颜色映射
cm = plt.cm.RdBu
# 红色 和 蓝色
cm_bright = ListedColormap(["#FF0000", "#0000FF"])
# 选定指定子图
ax = plt.subplot(len(datasets), len(classifiers) + 1, i)
# 第一行
if ds_cnt == 0:
ax.set_title("Input data")
# 标出训练用点,颜色较深
ax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright, edgecolors="k")
# 标出测试用点,颜色较浅(alpha=0.3)
ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright, alpha=0.3, edgecolors="k")
# 设定坐标图的边界
ax.set_xlim(x_min, x_max)
ax.set_ylim(y_min, y_max)
# 设定坐标轴不显示参数
ax.set_xticks(())
ax.set_yticks(())
i += 1
# 匹配分类器模型
for name, clf in zip(names, classifiers):
# 选定指定子图
ax = plt.subplot(len(datasets), len(classifiers) + 1, i)
# 封装进管道,处理方便
# 接受转换器StandardScaler() 和 估计器 clf 作为输入
clf = make_pipeline(StandardScaler(), clf)
# 调用fit方法进行拟合
clf.fit(X_train, y_train)
# 直接用score方法进行评分
score = clf.score(X_test, y_test)
# 决策边界的显示
DecisionBoundaryDisplay.from_estimator(
clf, X, cmap=cm, alpha=0.8, ax=ax, eps=0.5
)
# 标出训练点
ax.scatter(
X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright, edgecolors="k"
)
# 标出测试点
ax.scatter(
X_test[:, 0],
X_test[:, 1],
c=y_test,
cmap=cm_bright,
edgecolors="k",
alpha=0.6,
)
# 设定边界
ax.set_xlim(x_min, x_max)
ax.set_ylim(y_min, y_max)
# 取消坐标读数
ax.set_xticks(())
ax.set_yticks(())
# 子图命名
if ds_cnt == 0:
ax.set_title(name)
# 打上分数的标签
ax.text(
x_max - 0.3,
y_min + 0.3,
("%.2f" % score).lstrip("0"),
size=15,
horizontalalignment="right",
)
i += 1
# 展示
plt.tight_layout() # 自动调整子图间的间距,美观
plt.show()
心得:
1.sklearn库对大部分的机器学习算法都进行封装成类,直接调用即可。
2.对某个模型的使用,都有个大致的步骤。首先是数据处理(划分训练集,测试集等),其次就是调用模型的fit,对训练集进行拟合,再其次考虑利用matplotlib进行数据可视化,predict对测试集预测,score可给出模型评分等一些列操作。
3.管道的使用,pipeline是sklearn封装的一个类,传入数据预处理方式,以及机器学习模型,更加方便的对机器学习模型的调用。
4.matplotlib的使用对于机器学习的数据可视化提供了非常大的便利,熟悉常用的绘图语句是很有必要的。
5.在自己手写模型算法的时候,如果要使用某些数据进行拟合,分析模型。sklearn库也提供了多种类型数据的生成算法。