python之sklearn学习笔记

前言：本文是学习笔记。

sklearn介绍

scikit-learn是数据挖掘与分析的简单而有效的工具。
依赖于NumPy， SciPy和matplotlib。

它主要包含以下几部分内容：

• 从功能来分：
  
  • classification
  • Regression
  • Clustering
  • Dimensionality reduction
  • Model selection
  • Preprocessing
• 从API模块来分：
  
  • sklearn.base: Base classes and utility function
  • sklearn.cluster: Clustering
  • sklearn.cluster.bicluster: Biclustering
  • sklearn.covariance: Covariance Estimators
  • sklearn.model_selection: Model Selection
  • sklearn.datasets: Datasets
  • sklearn.decomposition: Matrix Decomposition
  • sklearn.dummy: Dummy estimators
  • sklearn.ensemble: Ensemble Methods
  • sklearn.exceptions: Exceptions and warnings
  • sklearn.feature_extraction: Feature Extraction
  • sklearn.feature_selection: Feature Selection
  • sklearn.gaussian_process: Gaussian Processes
  • sklearn.isotonic: Isotonic regression
  • sklearn.kernel_approximation: Kernel Approximation
  • sklearn.kernel_ridge: Kernel Ridge Regression
  • sklearn.discriminant_analysis: Discriminant Analysis
  • sklearn.linear_model: Generalized Linear Models
  • sklearn.manifold: Manifold Learning
  • sklearn.metrics: Metrics
  • sklearn.mixture: Gaussian Mixture Models
  • sklearn.multiclass: Multiclass and multilabel classification
  • sklearn.multioutput: Multioutput regression and classification
  • sklearn.naive_bayes: Naive Bayes
  • sklearn.neighbors: Nearest Neighbors
  • sklearn.neural_network: Neural network models
  • sklearn.calibration: Probability Calibration
  • sklearn.cross_decomposition: Cross decomposition
  • sklearn.pipeline: Pipeline
  • sklearn.preprocessing: Preprocessing and Normalization
  • sklearn.random_projection: Random projection
  • sklearn.semi_supervised: Semi-Supervised Learning
  • sklearn.svm: Support Vector Machines
  • sklearn.tree: Decision Tree
  • sklearn.utils: Utilities

就我目前的菜鸟级别，感觉经常用到的有clustering, classification(svm, tree, linear regression 等), decomposition, preprocessing, metrics等，所以先从这些地方学起来。

cluster

阅读sklearn.cluster的API，可以发现里面主要有两个内容：一个是各种聚类方法的class如cluster.KMeans，一个是可以直接使用的聚类方法的函数如

sklearn.cluster.k_means(X, n_clusters, init='k-means++', 
    precompute_distances='auto', n_init=10, max_iter=300, 
    verbose=False, tol=0.0001, random_state=None, 
    copy_x=True, n_jobs=1, algorithm='auto', return_n_iter=False)

所以实际使用中，对应也有两种方法。

在sklearn.cluster共有9种聚类方法，分别是

• AffinityPropagation: 吸引子传播
• AgglomerativeClustering: 层次聚类
• Birch
• DBSCAN
• FeatureAgglomeration: 特征聚集
• KMeans: K均值聚类
• MiniBatchKMeans
• MeanShift
• SpectralClustering: 谱聚类

拿我们最熟悉的Kmeans举例说明：

采用类构造器，来构造Kmeans聚类器

首先API中KMeans的构造函数为：

sklearn.cluster.KMeans(n_clusters=8,
     init='k-means++', 
    n_init=10, 
    max_iter=300, 
    tol=0.0001, 
    precompute_distances='auto', 
    verbose=0, 
    random_state=None, 
    copy_x=True, 
    n_jobs=1, 
    algorithm='auto'
    )

参数的意义：

• n_clusters:簇的个数，即你想聚成几类
• init: 初始簇中心的获取方法
• n_init: 获取初始簇中心的更迭次数
• max_iter: 最大迭代次数（因为kmeans算法的实现需要迭代）
• tol: 容忍度，即kmeans运行准则收敛的条件
• precompute_distances：是否需要提前计算距离
• verbose: 冗长模式（不太懂是啥意思，反正一般不去改默认值）
• random_state: 随机生成簇中心的状态条件。
• copy_x: 对是否修改数据的一个标记，如果True，即复制了就不会修改数据。
• n_jobs: 并行设置
• algorithm: kmeans的实现算法，有：'auto', 'full', 'elkan', 其中 'full'表示用EM方式实现

虽然有很多参数，但是都已经给出了默认值。所以我们一般不需要去传入这些参数,参数的。可以根据实际需要来调用。下面给一个简单的例子：

import numpy as np
from sklearn.cluster import KMeans
data = np.random.rand(100, 3) #生成一个随机数据，样本大小为100, 特征数为3

#假如我要构造一个聚类数为3的聚类器
estimator = KMeans(n_clusters=3)#构造聚类器
estimator.fit(data)#聚类
label_pred = estimator.label_ #获取聚类标签
centroids = estimator.cluster_centers_ #获取聚类中心
inertia = estimator.inertia_ # 获取聚类准则的最后值

直接采用kmeans函数：

import numpy as np
from sklearn import cluster
data = np.random.rand(100, 3) #生成一个随机数据，样本大小为100, 特征数为3
k = 3 # 假如我要聚类为3个clusters
[centroid, label, inertia] = cluster.k_means(data, k)

当然其他方法也是类似，具体使用要参考API。（学会阅读API，习惯去阅读API）

classification

分类是数据挖掘或者机器学习中最重要的一个部分。不过由于经典的分类方法机制比较特性化，所以好像sklearn并没有特别定制一个分类器这样的class。
常用的分类方法有：

• KNN最近邻:sklearn.neighbors
• logistic regression逻辑回归: sklearn.linear_model.LogisticRegression
• svm支持向量机: sklearn.svm
• Naive Bayes朴素贝叶斯: sklearn.naive_bayes
• Decision Tree决策树: sklearn.tree
• Neural network神经网络: sklearn.neural_network

那么下面以KNN为例（主要是Nearest Neighbors Classification）来看看怎么使用这些方法：

from sklearn import neighbors, datasets

# import some data to play with
iris = datasets.load_iris()
n_neighbors = 15
X = iris.data[:, :2]  # we only take the first two features. We could
                      # avoid this ugly slicing by using a two-dim dataset
y = iris.target

weights = 'distance' # also set as 'uniform'
clf = neighbors.KNeighborsClassifier(n_neighbors, weights=weights)
clf.fit(X, y)

# if you have test data, just predict with the following functions
# for example, xx, yy is constructed test data
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                         np.arange(y_min, y_max, h))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) # Z is the label_pred

再比如svm：

from sklearn import svm
X = [[0, 0], [1, 1]]
y = [0, 1]

#建立支持向量分类模型
clf = svm.SVC()

#拟合训练数据，得到训练模型参数
clf.fit(X, y)

#对测试点[2., 2.], [3., 3.]预测
res = clf.predict([[2., 2.],[3., 3.]])

#输出预测结果值
print res


#get support vectors
print "support vectors:", clf.support_vectors_

#get indices of support vectors
print "indices of support vectors:", clf.support_ 

#get number of support vectors for each class
print "number of support vectors for each class:", clf.n_support_ 

当然SVM还有对应的回归模型SVR

from sklearn import svm
X = [[0, 0], [2, 2]]
y = [0.5, 2.5]
clf = svm.SVR()
clf.fit(X, y) 
res = clf.predict([[1, 1]])
print res

逻辑回归

from sklearn import linear_model
X = [[0, 0], [1, 1]]
y = [0, 1]
logreg = linear_model.LogisticRegression(C=1e5)

#we create an instance of Neighbours Classifier and fit the data.
logreg.fit(X, y)

res = logreg.predict([[2, 2]])
print res

preprocessing

这一块通常我要用到的是Scale操作。而Scale类型也有很多，包括：

• StandardScaler
• MaxAbsScaler
• MinMaxScaler
• RobustScaler
• Normalizer
• 等其他预处理操作

对应的有直接的函数使用：scale(), maxabs_scale(), minmax_scale(), robust_scale(), normaizer()。

例如：

import numpy as np
from sklearn import preprocessing
X = np.random.rand(3,4)


#用scaler的方法
scaler = preprocessing.MinMaxScaler()
X_scaled = scaler.fit_transform(X)


#用scale函数的方法
X_scaled_convinent = preprocessing.minmax_scale(X)

decomposition

说一下NMF与PCA吧，这两个比较常用。

import numpy as np
X = np.array([[1,1], [2, 1], [3, 1.2], [4, 1], [5, 0.8], [6, 1]])
from sklearn.decomposition import NMF
model = NMF(n_components=2, init='random', random_state=0)
model.fit(X)

print model.components_
print model.reconstruction_err_
print model.n_iter_

这里说一下这个类下面fit()与fit_transform()的区别，前者仅训练一个模型，没有返回nmf后的分支，而后者除了训练数据，并返回nmf后的分支。

PCA也是类似，只不过没有那些初始化参数，如下：

import numpy as np
X = np.array([[1,1], [2, 1], [3, 1.2], [4, 1], [5, 0.8], [6, 1]])
from sklearn.decomposition import PCA
model = PCA(n_components=2)
model.fit(X)

print model.components_
print model.n_components_
print model.explained_variance_
print model.explained_variance_ratio_
print model.mean_
print model.noise_variance_

metrics

上述聚类分类任务，都需要最后的评估。

分类

比如分类，有下面常用评价指标与metrics：

• accuracy_score
• auc
• f1_score
• fbeta_score
• hamming_loss
• hinge_loss
• jaccard_similarity_score
• log_loss
• recall_score
• …

下面例子求的是分类结果的准确率：

from sklearn.metrics import accuracy_score
y_pred = [0, 2, 1, 3]
y_true = [0, 1, 2, 3]
ac = accuracy_score(y_true, y_pred)
print ac
ac2 = accuracy_score(y_true, y_pred, normalize=False)
print ac2

其他指标的使用类似。

回归

回归的相关metrics包含且不限于以下：

• mean_absolute_error
• mean_squared_error
• median_absolute_error
• …

聚类

有以下常用评价指标（internal and external）：

• adjusted_mutual_info_score
• adjusted_rand_score
• completeness_score
• homogeneity_score
• normalized_mutual_info_score
• silhouette_score
• v_measure_score
• …

下面例子求的是聚类结果的NMI（标准互信息），其他指标也类似。

from sklearn.metrics import normalized_mutual_info_score

y_pred = [0,0,1,1,2,2]
y_true = [1,1,2,2,3,3]

nmi = normalized_mutual_info_score(y_true, y_pred)
print nmi

当然除此之外还有更多其他的metrics。参考API。

datasets

sklearn本身也提供了几个常见的数据集，如iris, diabetes, digits, covtype, kddcup99, boson, breast_cancer，都可以通过sklearn.datasets.load_iris类似的方法加载相应的数据集。它返回一个数据集。采用下列方式获取数据与标签。

from sklearn.datasets import load_iris

iris = load_iris()
X = iris.data 
y = iris.target 

除了这些公用的数据集外，datasets模块还提供了很多数据操作的函数，如load_files, load_svmlight_file，以及很多data generators。

panda.io还提供了很多可load外部数据（如csv, excel, json, sql等格式）的方法。

还可以获取mldata这个repos上的数据集。

python的功能还是比较强大。

当然数据集的load也可以通过自己写readfile函数来读写文件。

结束语

上述主要学习了我比较常用的一些功能。当熟悉python后，只要阅读Scikit-learn API，一切都不是问题。

另外有必要时，可查看这些常用函数的源码学习，加深对数据挖掘常用算法原理的理解。