1.Sklearn简介
2.常规使用模式
3.数据标准化
4.交叉验证
5.过拟合问题
6.保存模型
1.Sklearn简介
Scikit-learn(sklearn)是机器学习中常用的第三方模块,对常用的机器学习方法进行了封装,包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)方法。
常用的回归:线性、决策树、SVM、KNN ;集成回归:随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
常用的分类:线性、决策树、SVM、KNN,朴素贝叶斯;集成分类:随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
常用聚类:k均值(K-means)、层次聚类(Hierarchical clustering)、DBSCAN
常用降维:LinearDiscriminantAnalysis、PCA
特点:
简单高效的数据挖掘和数据分析工具;
让每个人能够在复杂环境中重复使用;
建立Numpy、Scipy、Matplotlib之上;
安装:
安装scikit-learn可以使用pip install scikit-learn .
同时你还需要安装Numpy,Pandas(同样的安装方法)。
2.常规使用模式
2.1 流程
Sklearn是已经把算法都写好了,我们只需学会使用这些模块,当然,你在实际的学习中是需要搞清楚算法的原理,今天我们只讲如何使用sklearn。sklearn包含众多机器学习算法,这些算法模型的通用模式是怎么样的呢,下边我们就进行学习。
导包 -> 加载数据 -> 数据预处理 -> 选择算法训练数据 -> 测试数据 -> 预测结果写入.csv中
#sklearn自带数据集,我们通过对自带数据集选择相应的机器学习算法进行训练。
from sklearn import datasets #导入数据集
from sklearn.model_selection import train_test_split #将数据分为测试集和训练集
from sklearn.neighbors import KNeighborsClassifier #利用近邻点方式训练数据
iris=datasets.load_iris() #加载鸢尾花数据
iris_X=iris.data #特征
iris_y=iris.target #目标变量
#将数据集分成训练集和测试集两部分,测试集占比30%
X_train,X_test,y_train,y_test=train_test_split(iris_X,iris_y,test_size=0.3)
print(y_train) #看看y_train都有啥
[2 0 2 1 0 2 1 2 1 0 1 0 1 2 2 2 0 1 2 1 1 1 0 1 2 1 0 0 0 0 0 1 0 1 1 2 2 1 2 2 1 0 2 1 0 1 0 0 2 2 2 1 2 2 0 0 0 2 0 0 0 2 2 2 0 0 2 1 0 2 1 2 1 1 2 2 2 0 2 1 0 0 1 2 2 0 1 0 1 1 0 2 0 1 1 2 0 1 0 1 2 1 2 0 1]
#训练数据
knn=KNeighborsClassifier() #引入训练方法
knn.fit(X_train,y_train) #队训练数据进行拟合
KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski', metric_params=None, n_jobs=1, n_neighbors=5, p=2, weights='uniform')
#测试数据
y_pred=knn.predict(X_test)
# y_predprob=knn.predict_proba(X_test)[:,1]
print(y_pred) #查看一下测试数据的预测类别
[1 1 1 1 1 0 0 0 0 0 1 2 0 1 2 2 1 0 0 0 2 1 2 2 2 0 2 0 0 2 1 2 2 0 1 2 0 2 1 2 1 1 1 2 0]
一般,我们参加比赛会把最后的模型结果写入.csv文件,提交。
# print(type(y_pred))
# print(y_pred.size)
#生成一个样本对应ID,假设是1-45的序号
ind=[]
for i in range(45):
ind.append(i+1)
#回顾Pandas中的数据框
import pandas as pd
dic={'id':ind,'pred':y_pred}
test_pred=pd.DataFrame(dic)
test_pred.head()
#将数据框写入.csv文件中
test_pred.to_csv('knn_iris.csv',index=False)
其他的不同的数据集:
load_boston()
load_iris()