机器学习之分类算法

分类算法

目标值：类别

1. sklearn转换器和预估器
2. KNN算法
3. 模型选择与调优
4. 朴素贝叶斯算法
5. 决策树
6. 随机森林

---

---

sklearn转换器和预估器

转换器 transfrom

• 实例化 （实例化的是一个转换器类（Transfermer))
• 调用fit_transfrom(对于文档建立分类词频矩阵，不能同时调用）

估计器 estimator

• 用于分类的估计器︰
  • sklearn.neighbors k-近邻算法
  • sklearn.naive_bayes 贝叶斯
  • sklearn.linear_model.LogisticRegression逻辑回归
  • sklearn.tree决策树与随机森林
• 用于回归的估计器：
  • sklearn.linear_model.LinearRegression线性回妇
  • sklearn.linear_model.Ridge岭回归
• 用于无监督学习的估计器
  • sklearn.cluster.KMeans 聚类

估计器的工作流程

1. 实例化一个estimator
2. estimator.fit(x_train,y_train) 计算
   ——调用完毕，模型生成
3. 模型评估
   1》直接对比真实值和预估值
   y_predict = estimator.predict(x_test)
   y_test == y_predict
   2》计算准确率
   accuracy = estimator.score(x_test,y_test)

KNN算法（K-近邻算法）

核心思想：根据你的邻居来判断你的类别

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。

k = 1 :容易受到异常值的影响
k 过大 ：容易受到样本不均的影响
k 过小 ：容易受到异常点的影响

案例：预测鸢尾花种类

1. 获取数据
2. 数据集划分
3. 特征工程----标准化
4. KNN预估器流程
5. 模型评估

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier

def knn_iris():
    '''
    用knn算法对鸢尾花进行分类
    :return:
    '''
    #1.获取数据
    iris = load_iris()
    #2.划分数据集
    x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,random_state=6)
    #3.特征工程：标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    #4.KNN算法预估器
    estimator = KNeighborsClassifier(n_neighbors=3)#加入k值
    estimator.fit(x_train,y_train)
    #5.模型评估
    #方法一：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict\n",y_predict)
    print("直接比对真实值和预测值：\n",y_test==y_predict)
    #方法二：计算准确率
    score = estimator.score(x_test,y_test)
    print("准确率为：\n",score)
    return None

if __name__ == "__main__":
    # 用knn算法对鸢尾花进行分类
    knn_iris()

总结

• 优点：
  • 简单，易于理解，易于实现，无需训练
• 缺点：
  1. 必须指定kzhi3，k值选择不当是不能保证分类精确度
  2. 懒惰算法，对样本分类时的计算量大，内存开销大

模型选择与调优

交叉验证：
将拿到的训练数据，分为训练和验证集。以下图为例:将数据分成4份，其中一份作为验证集。然后经过4次(组)的测试，每次都更换不同的验证集。即得到4组模型的结果，取平均值作为最终结果。又称4折交叉验证。

超参数-网格搜索

sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None）
estimator:估计器对象
param_grid：估计器参数
cv：指定几则交叉验证

结果分析：
最佳参数： best_params_
最佳结果: best_score_
最佳估计器: best_estimator_
交叉验证结果:cv_results_

案例：鸢尾花增加k值调优

from sklearn.datasets import load_iris
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler

def knn_iris_gscv():
    '''
    用knn算法对鸢尾花进行分类,添加网格搜索和交叉验证
    :return:
    '''
    # 1.获取数据
    iris = load_iris()
    # 2.划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)
    # 3.特征工程：标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    # 4.KNN算法预估器
    estimator = KNeighborsClassifier()

    # ****加入网格搜索与交叉验证
    # 参数准备
    param_dict = {"n_neighbors": [1, 3, 5, 7, 9, 11]}
    estimator = GridSearchCV(estimator, param_grid=param_dict, cv=10)
    estimator.fit(x_train, y_train)

    # 5.模型评估
    # 方法一：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict\n", y_predict)
    print("直接比对真实值和预测值：\n", y_test == y_predict)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    # ****查看结果
    print("最佳参数：", estimator.best_params_)
    print("最佳结果：", estimator.best_score_)
    print("最佳估计器：", estimator.best_estimator_)
    print("交叉验证结果：", estimator.cv_results_)
    return None

if __name__ == "__main__":
    # 用knn算法对鸢尾花进行分类,添加网格搜索和交叉验证
    knn_iris_gscv()

案例：预测Facebook签到位置

import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV
#1.获取数据
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler

data = pd.read_csv("train.csv")
#2.数据处理
# a.缩小范围
data.query('x < 2.5 & x > 2 & y < 1.5 & y > 1')
# b.处理时间特征
time_values = pd.to_datetime(data['time'],unit='s')
date = pd.DatetimeIndex(time_values)
data['day'] = date.day
data['weekday'] = date.weekday
data['hour'] = date.hour
# print(data)
# c.过滤掉签到次数少的地点
place_count = data.groupby('place_id').count()['row_id']
place_count[place_count > 3]
data_final = data[data['place_id'].isin(place_count[place_count > 3].index.values)]
#筛选特征值和目标值
x = data_final[['x','y','accuracy','day','weekday','hour']]
y = data_final['place_id']
# print(x)
#3.数据集划分
x_train,x_test,y_train,y_test = train_test_split(x,y)
# 4.特征工程：标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
# 5.KNN算法预估器
estimator = KNeighborsClassifier(n_neighbors=3)
# ****加入网格搜索与交叉验证
# 参数准备
param_dict = {"n_neighbors": [3, 5, 7, 9]}
estimator = GridSearchCV(estimator, param_grid=param_dict, cv=3)
estimator.fit(x_train, y_train)
estimator.fit(x_train, y_train)
# 6.模型评估
# 方法一：直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict\n", y_predict)
print("直接比对真实值和预测值：\n", y_test == y_predict)
# 方法二：计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)

# ****查看结果
print("最佳参数：", estimator.best_params_)
print("最佳结果：", estimator.best_score_)
print("最佳估计器：", estimator.best_estimator_)
print("交叉验证结果：", estimator.cv_results_)

朴素贝叶斯算法

朴素贝叶斯 = 朴素（假设：特征与特征之间是相互独立的）+贝叶斯

案例：20类新闻分类

from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB


def nb_news():
    '''
    用朴素贝叶斯对新闻进行分类
    :return:
    '''
    # 1.获取数据
    news = fetch_20newsgroups(subset='all')
    # 2.划分数据集
    x_train,x_test,y_train,y_test = train_test_split(news.data,news.target)
    # 3.特征工程：文本特征抽取
    transfer = TfidfVectorizer()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    # 4.朴素贝叶斯算法预估器流程
    estimator = MultinomialNB()
    estimator.fit(x_train,y_train)
    # 5.模型评估
    # 方法一：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict\n", y_predict)
    print("直接比对真实值和预测值：\n", y_test == y_predict)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    return None

if __name__ == "__main__":
    nb_news()

---

总结：

优点：
	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
缺点：
	由于使用了样本属性独立性的假设，所以如果特征属性有关联时其效果不好

决策树

思想：如何高效进行决策
决定因素：特征的先后顺序

信息论基础：
1. 信息：
香农:消踪随机不定性的东西
小明 “我今年18岁”——信息—年龄
小华 "小明明年19岁”——不是信息
2. 信息的衡量：信息熵

3. 信息增益：（决策树的划分依据）

---

---

决策树可视化

sklearn.tree.export_graphviz()

tree.excport_graphwviz(estimator,out_file='tree.dot",feature_namesm[""]

案例：用决策树对鸢尾花进行分类

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, export_graphviz


def decision_iris():
    """
    用决策树对鸢尾花进行分类
    :return:
    """
    # 1）获取数据集
    iris = load_iris()

    # 2）划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)

    # 3）决策树预估器
    estimator = DecisionTreeClassifier(criterion="entropy")
    estimator.fit(x_train, y_train)

    # 4）模型评估
    # 方法1：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接比对真实值和预测值:\n", y_test == y_predict)

    # 方法2：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    # 可视化决策树
    export_graphviz(estimator, out_file="iris_tree.dot", feature_names=iris.feature_names)

    return None

if __name__ == "__main__":
    decision_iris()

总结：

• 优点：
  简单的理解和解释，树木可视化。
• 缺点：
  容易产生过拟合

案例：泰坦尼克号乘客生存预测

import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier,export_graphviz

#1.获取数据
from sklearn.tree import DecisionTreeClassifier, export_graphviz

titanic = pd.read_csv("titanic.csv")
#筛选特征值和目标值
x = titanic[['pclass','age','sex']]
y = titanic['survived']
# print(x.head())
# print(y.head())
#2.数据处理
#a.缺失数据处理：
x['age'].fillna(x['age'].mean(),inplace=True)
#b.转换成字典
x = x.to_dict(orient='recorda')
#3.数据集划分
x_train,x_test,y_train,y_test = train_test_split(x,y,random_state=22)
#字典特征抽取
transfer = DictVectorizer()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
#4.决策树预估器
estimator = DecisionTreeClassifier(criterion="entropy")
estimator.fit(x_train, y_train)
# 5.模型评估
# 方法1：直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict:\n", y_predict)
print("直接比对真实值和预测值:\n", y_test == y_predict)
# 方法2：计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)
# 可视化决策树
export_graphviz(estimator, out_file="titanic_tree.dot", feature_names=transfer.get_feature_names())

随机森林

集成学习方法：
集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测。

随机森林：
随机：训练集随机+特征值随机
森林：包含多个决策数的分类群

案例：

import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

#1.获取数据
from sklearn.tree import DecisionTreeClassifier, export_graphviz

titanic = pd.read_csv("titanic.csv")
#筛选特征值和目标值
x = titanic[['pclass','age','sex']]
y = titanic['survived']
# print(x.head())
# print(y.head())
#2.数据处理
#a.缺失数据处理：
x['age'].fillna(x['age'].mean(),inplace=True)
#b.转换成字典
x = x.to_dict(orient='recorda')
#3.数据集划分
x_train,x_test,y_train,y_test = train_test_split(x,y,random_state=22)
#字典特征抽取
transfer = DictVectorizer()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
#4.决策树预估器
estimator = DecisionTreeClassifier(criterion="entropy")
estimator.fit(x_train, y_train)
# 5.模型评估
# 方法1：直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict:\n", y_predict)
print("直接比对真实值和预测值:\n", y_test == y_predict)
# 方法2：计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)
# 可视化决策树
export_graphviz(estimator, out_file="titanic_tree.dot", feature_names=transfer.get_feature_names())


estimator = RandomForestClassifier()
# ****加入网格搜索与交叉验证
# 参数准备
param_dict = {"n_estimators": [120,200,300.500,800,1200],
              'max_depth':[5,8,15,25,30]}
estimator = GridSearchCV(estimator, param_grid=param_dict, cv=3)
estimator.fit(x_train, y_train)
estimator.fit(x_train, y_train)

# 6.模型评估
# 方法一：直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict\n", y_predict)
print("直接比对真实值和预测值：\n", y_test == y_predict)
# 方法二：计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)

# ****查看结果
print("最佳参数：", estimator.best_params_)
print("最佳结果：", estimator.best_score_)
print("最佳估计器：", estimator.best_estimator_)
print("交叉验证结果：", estimator.cv_results_)

总结：
在当前所有算法中，具有极好的准确率
能够有效地运行在大数据集上，处理具有高维特征的输入样本，而且不需要降维
能够评估各个特征在分类问题上的重要性