KNN算法
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,则该样本也属于这个类别。KNN算法中计算的是欧式距离。
KNN算法API:sklearn.neighbors.KNeighborsClassifier(n_neighbors =5,algorithm = ‘auto’)
def knn():
knn = KNeighborsClassifier(n_neighbors=6)
data = pd.read_csv('./train.csv')
#print(data.head())
#缩小x,y数据量
data = data.query('x>1&x<2.5&y>5&y<8')
#print(data.head())
#时间戳进行(年,月,日,周时分秒),当作新的特征
#unit参数表示最小的单位s,ns
time_value = pd.to_datetime(data['time'],unit='s')
#将日期转换为字典格式
time_value = pd.DatetimeIndex(time_value)
data['day'] = time_value.day
data['hour'] = time_value.hour
data['weekday'] = time_value.weekday
#将时间戳删掉 dataframe中axis =1 代表列
data = data.drop(['time'],axis = 1)
#print(data.head(10))
#少于指定特征的人数进行删除
place_count = data.groupby('place_id').count()
#print(place_count.head(5))
#reset_index()函数将原本的行索引place_id变成单独一列
tf = place_count[place_count.x>3].reset_index()
data = data[data['place_id'].isin(tf.place_id)]
#将特征和目标值提取
y = data['place_id']
x = data.drop('place_id',axis = 1)
x = x.drop('row_id',axis = 1)
#训练集和测试集分离
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)
#特征工程
std = StandardScaler()
x_train = std.fit_transform(x_train)
x_test = std.fit_transform(x_test)
#进行算法建模
knn = KNeighborsClassifier()
#knn.fit(x_train,y_train)
#预测结果
#y_predict = knn.predict(x_test)
#准确率
#score = knn.score(x_test,y_test)
#print('预测签到位置:',y_predict)
#print('准确率:',score)
#网格搜索和交叉验证
#构造网格搜索的参数值
param = {"n_neighbors":[3,5,10]}
#进行网格搜素
gc = GridSearchCV(knn,param_grid= param,cv = 5)
gc.fit(x_train,y_train)
print("在测试集上准确率:", gc.score(x_test, y_test))
print("在交叉验证当中最好的结果:", gc.best_score_)
print("选择最好的模型是:", gc.best_estimator_)
print("每个超参数每次交叉验证的结果:", gc.cv_results_)
return None
k值取很小:容易受异常点影响
k值取很大:容易受最近数据太多导致比例变化
优点:简单,易于理解,易于实现,无需估计参数,无需训练。
缺点:懒惰算法,对测试样本分类时的计算量大,内存开销大,必须指定K值,K值选择不当则分类精度不能保证。
混淆矩阵:在分类任务下,预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合,构成混淆矩阵(适用于多分类)。
精确率Precision: 预测结果为正例样本中真实为正例的比例(查得准)
召回率Recall: 真实为正例的样本中预测结果为正例的比例(查的全,对正样本的区分能力)
F1-score: 反应了模型的稳健性。 F1 = 2precisionrecall/precision+recall
分类模型评估API:sklearn.metrics.classification_report(y_true,y_pred,target_names=None)
y_true:真实目标值,y_pred:估计器预测目标值
target_names:目标类别名称。
返回值:每个类别的精确率和召回率
交叉验证:为了让被评估的模型更加准确可信
超参数搜素——网格验证API:sklearn.model_selection.GridSearchCV(estimator,param_grid=None,cv=None)
estimator:估计器对象,param_grid估计器参数(dict),cv指定几折交叉验证,fit输入训练数据,score准确率。
结果分析:
best_score_:在交叉验证中测试的最好结果
best_estimator_:最好的参数模型
cv_results_:每次交叉验证后的测试集准确率结果和训练集准确率结果。
朴素贝叶斯
贝叶斯公式:P(C│W)=P(W│C)P©/P(W)
为防止某一个概率值为0,增加一个拉普拉斯系数:P(F1│C)=Ni+α/N+αm α为指定的系数一般为1,m为训练文档中统计出的特征词个数。
API:sklearn.naive_bayes.MultinomialNB
优点:朴素贝叶斯模型发源于古典数学理论,有稳定的分类效率。
对缺失数据不太敏感,算法也比较简单,常用于文本分类。
分类准确度高,速度快,不需要调参
缺点:当特征之间相互有联系时效果不佳
def NB():
news = fetch_20newsgroups(subset='all')
#进行数据分割
x_train,x_test,y_train,y_test = train_test_split(news.data,news.target,test_size=0.25)
#进行tfidf特征取样
tf = TfidfVectorizer()
#对每篇文章进行重要型统计
x_train = tf.fit_transform(x_train)
x_test = tf.transform(x_test)
#进行朴素贝叶斯算法预测
mlt = MultinomialNB(alpha=1)
mlt.fit(x_train,y_train)
#预测值
y_predict = mlt.predict(x_test)
#预测结果
print("预测结果为:",y_predict)
#预测准确lv
print("预测准确率为:",mlt.score(x_test,y_test))
#每个类别的准确率和召回率
print("准确率和召回率:",classification_report(y_test,y_predict,target_names=news.target_names))