Scikit-Learn简介 —— 数据表示及评估器API

《Python 数据科学手册》笔记

一、Scikit-Learn的数据表示

      1.Scikit-Learn基本的数据表示二维网格数据，每一行表示数据集中的每个样本，每一列表示相关特征 （量化观测值）。例如鸢尾花数据集：

2.通常将上述除开最后一列的表格称为特征矩阵，记为变量X，它是维度为[n_samples,n_features]（即 [样本数，特征数]）的二维矩阵。而最后一列将其称之为标签数组，记为y，它是维度为长度为n_samples的一维数组。

二、Scikit-Learn的评估器API

1.Scikit-Learn API设计原则：

①统一性：所有对象使用共同接口连接一组方法和统一的文档

②内省：所有参数值都是公共属性

③限制对象层级：只有算法可以用Python类表示。数据集都是用标准数据类型表示，参数名称用标准的Python字符串

④函数组合：许多机器学习任务都可以用一串基本算法实现

⑤明智的默认值：Scikit-Learn预先定义适当的默认值

2.Scikit-Learn 评估器API的常用步骤：

①通过Scikit-Learn中导入适当的评估器类，选择模型类

②用合适的数值对模型进行实例化，配置模型超参数

③整理数据，获取特征矩阵和目标矩阵

④调用模型实例的fit()方法对数据进行拟合

⑤对新数据应用模型

用鸢尾花数据及高斯朴素贝叶斯模型为例：

简单来说，就是：分割数据集、导入模型、训练数据、预测数据、求准确率这5个步骤。

仿照以上步骤，便可以用各种数据集组合各种模型进行模型训练与预测了。例如，

· 用简单线性模型为散点数据集拟合一条直线；

· 用主成分分析（PCA）法对鸢尾花数据进行降维；

· 用高斯混合模型（GMM）对鸢尾花数据进行聚类；

· 用流行算法中的Isomap算法对手写数字数据进行降维；

· 用高斯朴素贝叶斯对手写数字进行分类；

...

3.混淆矩阵

在上述鸢尾花的例子中，我们用准确率（accuracy_score）来衡量了模型的优劣，但是仅依靠这个指标无法知道模型哪里做得不好，因此要引入一个混淆矩阵将预测的正误可视化。

接着上述鸢尾花的例子，添加如下代码，得到一个混淆矩阵：

鸢尾花一共3类，对角线上的数字为预测正确的数据，非对角线上的数据为预测错误的数据，可以看出，该模型的将某个类别为‘1’的鸢尾花错判成了类别为‘2’的鸢尾花。