【集成学习】task1 机器学习三大主要任务

1.什么是机器学习？

机器学习的一个重要的目标就是利用数学模型来理解数据，发现数据中的规律，用作数据的分析和预测。

数据通常由一组向量组成，这组向量中的每个向量都是一个样本，我们用$x_i$来表示一个样本，其中$i=1,2,3,...,N$,共N个样本，每个样本$x_i=(x_{i1},x_{i2},...,x_{ip},y_i)$共p+1个维度，前p个维度的每个维度我们称为一个特征，最后一个维度$y_i$我们称为因变量(响应变量)。

特征用来描述影响因变量的因素，如：我们要探寻身高是否会影响体重的关系的时候，身高就是一个特征，体重就是一个因变量。通常在一个数据表dataframe里面，一行表示一个样本$x_i$，一列表示一个特征。

---

2.机器学习任务

• 有监督学习：给定某些特征去估计因变量，即因变量存在的时候，我们称这个机器学习任务为有监督学习。如：我们使用房间面积，房屋所在地区，环境等级等因素去预测某个地区的房价。

• 无监督学习：给定某些特征但不给定因变量，建模的目的是学习数据本身的结构和关系。如：我们给定某电商用户的基本信息和消费记录，通过观察数据中的哪些类型的用户彼此间的行为和属性类似，形成一个客群。注意，我们本身并不知道哪个用户属于哪个客群，即没有给定因变量。

根据因变量的是否连续，有监督学习又分为回归和分类：

• 回归：因变量是连续型变量，如：房价，体重等。
• 分类：因变量是离散型变量，如：是否患癌症，西瓜是好瓜还是坏瓜等。

为了更好地叙述后面的内容，我们对数据的形式作出如下约定：
第i个样本：$x_i=(x_{i1},x_{i2},...,x_{ip},y_i{)}^T,i=1,2,...,N$
因变量：$y=(y_1,y_2,...,y_N{)}^T$
第k个特征：$x^{(k)}=(x_{1k},x_{2k},...,x_{Nk}{)}^T$
特征矩阵：$X=(x_1,x_2,...,x_N{)}^T$

---

下面对机器学习三大主要任务进行演示

2.1有监督学习

先导入基本的包

# 引入相关科学计算包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline 
plt.style.use("ggplot")      
import seaborn as sns

2.1.1回归

使用sklearn内置的Boston房价数据集，sklearn中所有内置数据集都封装在datasets对象内：
返回的对象有：

• data:特征X的矩阵(ndarray)
• target:因变量的向量(ndarray)
• feature_names:特征名称(ndarray)

先看下数据，共有506条，每条12个特征，相关特征如下

特征	含义
CRIM	各城镇的人均犯罪率
ZN	规划地段超过25,000平方英尺的住宅用地比例
INDUS	城镇非零售商业用地比例
CHAS	是否在查尔斯河边(=1是)
NOX	一氧化氮浓度(/千万分之一)
RM	每个住宅的平均房间数
AGE	1940年以前建造的自住房屋的比例
DIS	到波士顿五个就业中心的加权距离
RAD	放射状公路的可达性指数
TAX	全部价值的房产税率(每1万美元）
PTRATIO	按城镇分配的学生与教师比例
B	1000(Bk - 0.63)^2其中Bk是每个城镇的黑人比例
LSTAT	较低地位人口
Price	房价

from sklearn import datasets
boston=datasets.load_boston() #返回一个类似字典的类
X=boston.data
y=boston.target
print(X.shape,y.shape)
features=boston.feature_names
boston_data=pd.DataFrame(X,columns=features)
boston_data['Price']=y
boston_data

绘制下 NOX一氧化氮浓度(/千万分之一)和Price房价的散点图，因为波士顿房价Price是一个连续型变量，所以这是一个回归的例子

2.1.2分类

这里用iris数据集来展示下，鸢尾花数据集有四个特征和三类鸢尾花，各特征含义

特征	含义
- sepal length (cm)	花萼长度(厘米)
- sepal width (cm)	花萼宽度(厘米)
- petal length (cm)	花瓣长度(厘米)
- petal width (cm)	花瓣宽度(厘米)

from sklearn import datasets
iris=datasets.load_iris()
X=iris.data
y=iris.target
print(X.shape,y.shape)
features=iris.feature_names 
iris_data=pd.DataFrame(X,columns=features)
iris_data['target']=y
print('鸢尾花共有{}类'.format(iris_data['target'].nunique()))
iris_data

可视化sepal length (cm) sepal width (cm)两个特征与类别关系，可以看到每种不同的颜色和点的样式为一种类型的鸢尾花，数据集有三种不同类型的鸢尾花。因此因变量是一个类别变量，因此通过特征预测鸢尾花类别的问题是一个分类问题。

marker = ['s','x','o']
for index,c in enumerate(np.unique(y)):
    plt.scatter(x=iris_data.loc[y==c,"sepal length (cm)"],y=iris_data.loc[y==c,"sepal width (cm)"],alpha=0.8,label=c,marker=marker[c])
plt.xlabel("sepal length (cm)")
plt.ylabel("sepal width (cm)")
plt.legend()
plt.show() 

---

2.2无监督学习

我们可以使用sklearn生成符合自身需求的数据集，下面我们用其中几个函数例子来生成无因变量的数据集：
https://scikit-learn.org/stable/modules/classes.html?highlight=datasets#module-sklearn.datasets

# 生成月牙型非凸集
from sklearn import datasets
x, y = datasets.make_moons(n_samples=2000, shuffle=True,
                  noise=0.05, random_state=None)
for index,c in enumerate(np.unique(y)):
    plt.scatter(x[y==c,0],x[y==c,1],s=7)
plt.show()

# 生成符合正态分布的聚类数据
from sklearn import datasets
x, y = datasets.make_blobs(n_samples=5000, n_features=2, centers=3)
for index,c in enumerate(np.unique(y)):
    plt.scatter(x[y==c, 0], x[y==c, 1],s=7)
plt.show()