Python之《机器学习系统设计》第二章

《机器学习系统设计》第二章：如何对真是样本分类

采用IRIS数据集。数据集可以在http://archive.ics.uci.edu/ml/下载

第一步是，可视化，这里选取第0个和第一个特征进行可视化

import scipy as sp
import numpy as np
import sklearn as sl
from matplotlib import pyplot as plt
from sklearn.datasets import load_<span style="font-family: Arial, Helvetica, sans-serif;">iris</span>

data = load_iris()
features = data['data']
feature_names = data['feature_names']
target = data['target']
labels = data['target_names'][data['target']]

for t,marker,c in zip(xrange(3),">ox","rgb"):
    plt.scatter(features[target==t,0],features[target==t,1],marker=marker,c=c)

plt.show()

通过观察，发现通过花瓣长度就可以将Iris Setosa和其他两类区分开，寻找切分点

plength = features[:,2]
is_setosa = (labels == 'setosa')
max_setosa=plength[is_setosa].max()
min_non_setosa=plength[~is_setosa].min()
print('Maximum of setosa:{0}.'.format(max_setosa))
print('Minimum of others:{0}.'.format(min_non_setosa))

得到结果2是分界点

因此对一个新来的样本，可以如下方式进行分类

if features[:,2]<2:
    print 'Iris Setosa'
else:
    print 'Iris Virginica or Iris Versicolour'

然后去掉Setosa，用剩下的数据区分virginica 和 Versicolor

features=features[~is_setosa]
labels=labels[~is_setosa]
virginica=(labels == 'virginica')

现在对所有可能的特征和阈值进行遍历，找到最好的特征和相对应的阈值

best_acc = -1.0
for fi in xrange(features.shape[1]):
    thresh = features[:,fi].copy()
    thresh.sort()
    for t in thresh:
        pred = (features[:,fi]>t)
        acc = (pred == virginica).mean()
        if acc > best_acc:
            best_acc = acc
            best_fi = fi
            best_t = t

然后就可以对一个新样本进行分类

if example[best_fi] > t:
    print 'virginica'
else:
    print 'versicolor'

交叉验证（去一法）

error = 0
for ei in range(len(features)):
    #选择除了ei以外的所有位置
    training = np.ones(len(features),bool)
    training[ei] = False
    testing = ~training
    model=learn_model(features[training],virginica[training])
    predictions=apply_model(feature[testing],virginica[testing],model)
error += np.sum(predictions != virginica[testing])
print error

代码中，learn_model和apply_model是自己定义的函数，需要自己实现

现在来看看一个复杂一些的数据集，Seeds数据集，他有七个特征

我们先把特征归一化到Z值，即减去平均值在除以标准差

#从特征值中减去平均值
features -= features.mean(axis=0)
#将特征值除以标准差
features /= features.std(axis=0)

另一种归一化方法是利用最大最小值缩放到(0,1)之间

我们使用最近邻法进行分类

def distance(p0,p1):
    'Computes squared Euclidean distance'
    return np.sum((p0-p1)**2)

def nn_classify(training_set,training_labels,new_example):
    dists = np.array([distance(t, new_example)] for t in training_set)
    nearest = dists.argmin()
    return training_labels[nearest]

也可以使用K近邻，找到最近的K个点，投票决定他的标签

复制去Google翻译 翻译结果