机器学习训练之前的准备工作

选择特征种类

样本中特征种类很多，不可能把每个特征都拿来训练，所以需要计算出最佳的特征种类
我选择的是决策数算法，来选择特征种类

#导入这两个包
from sklearn import cross_validation
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

#数组中输入所有的特征种类
features=[.....]

#给测试集以及标签集赋值
X=...
y=...

#采用交叉验证方法将测试集分为和训练集
#test_size 测试集比例，random_state 随机取值的程度
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size,random_state)

#开始运行决策树算法
#n_estimators  决策树中树的数量 
#n_jobs （默认=1） 适合和预测并行运行的作业数，如果为-1，则将作业数设置为核心数
forest = RandomForestClassifier(n_estimators, random_state, n_jobs)
forest.fit(X_train,y_train)

#显示结果
#得到其每个特征的重要性数据
importances = forest.feature_importances_
#根据这个数据就可以选出能够对结果影响最大的特征了

特征值进行降维和归一化

每个特征具体的值衡量标准以及显示的格式各有不同
为了能够进行分析训练，需要把值进行归一化，使得特征之间可以相互衡量
当特征数太多时，会导致计算量增多，为了减少计算量，就要进行降维操作

#引入所需的包
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

#进行归一化
standard=StandardScaler()
stan.fit(X_train)
x_t=stan.transform(X_train)x_test=stan.transform(X[1000:1200])

#降维
#n_components 维数
pca = PCA(n_components=para.pca_compo[2], whiten=True, random_state=10)
pca.fit(X_train)
X _train= pca.transform(X_train)

选取合适的训练参数

参数会直接影响到训练最后的成果，所以参数的选择十分重要
我使用的是GridSearchCV来选择最佳的参数

from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import GridSearchCV

# 准备工作
svc = svm.SVC(kernel=para.svm_kernel[2], class_weight='balanced')
model = make_pipeline(pca, svc)

# 使用gridSearchcv(网格搜索+交叉验证)选择最佳的c，gamma,参数名称一定要写正确
param_grid = {'svc__C': para.svm_c, 'svc__gamma': para.svm_gamma}
grid = GridSearchCV(model, param_grid)
# 拿前一个batch的数据做分析
grid.fit(train_X[0:train_batch], train_y[0:train_batch])
print(grid.best_params_)
model = grid.best_estimator_