回归与聚类算法(2)
分类算法——逻辑回归与二分类
逻辑回归应用场景
- 广告点击率:是否会被点击
- 是否为垃圾邮件
- 是否患病
- 是否为金融诈骗
- 是否为虚假账号
以上例子特点:属于两个类别之间的判断,逻辑回归就是解决二分类的利器。
逻辑回归原理
- 输入:逻辑回归输入的就是一个线性回归的结果。
- 激活函数
- sigmoid 函数
- 分析
1)回归的结果输入到sigmoid函数中。
2)输出结果为[0,1]之间的一个概率值,默认0.5为阈值,大于0.5认为属于这个类别,反之 。
3. 损失及优化
逻辑回归的损失,称之为对数似然损失,公式如下
- 分开类别:
- 综合完整损失函数
优化:同样使用梯度下降优化算法,去减少损失函数的值。这样去更新逻辑回归前面对应算法的权重参数,提升原本属于1类别的概率,降低原本是0类别的概率
逻辑回归API
sklearn.linear_model.LogisticRefression(solver=‘liblinear’, penalty='l2, C=1.0)
- penalty:正则化种类
- C:正则化力度
- solver:优化求解方式(默认开源的liblinear库实现)
LogisticRegression方法相当于SGDCIassifier(loss=“log”, penalty=" "), SGDClassifier实现了一个普通的随机梯度下降学习也支持平均随机梯度下降法(ASGD),可以通过设置average=True。而使用LogisticRegression(实现了SAG)
案例 :癌症分类:良/恶性乳腺癌肿瘤预测
- 数据介绍
- 流程分析:
1)获取数据:读取的时候加上names
2)数据处理:处理缺失值
3)数据集划分
4)特征工程:无量纲化处理—标准化
5)逻辑回归预估器
6)模型评估
- 程序实现
import pandas as pd
import numpy as np
# 1、读取数据
path = "https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data"
column_name = ['Sample code number', 'Clump Thickness', 'Uniformity of Cell Size', 'Uniformity of Cell Shape',
'Marginal Adhesion', 'Single Epithelial Cell Size', 'Bare Nuclei', 'Bland Chromatin',
'Normal Nucleoli', 'Mitoses', 'Class']
data = pd.read_csv(path, names=column_name)
# 2、缺失值处理
# 1)缺失值替换成np.nan
data = data.replace(to_replace="?", value=np.nan)
# 2)删除缺失样本
data.dropna(inplace=True)
# 3)检查是否还存在缺失值(可省略)
# data.dropna(inplace=True)
# 3、划分数据集
from sklearn.model_selection import train_test_split
# 筛选特征值和目标值
x = data.iloc[:, 1:-1]
y = data["Class"]
x_train, x_test, y_train, y_test = train_test_split(x, y)
# 4、标准化
from sklearn.preprocessing import StandardScaler
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
from sklearn.linear_model import LogisticRegression
# 5、预估器流程
estimator = LogisticRegression()
estimator.fit(x_train, y_train)
# 逻辑回归的模型参数:回归系数和偏置
estimator.coef_ # 权重
estimator.intercept_ # 偏置
# 6、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)
运行结果
y_predict:
[2 2 4 4 2 2 2 4 2 4 2 4 2 4 4 4 2 4 2 2 4 2 2 2 4 2 2 2 2 2 2 2 4 2 2 2 4
2 4 4 4 2 4 2 2 2 2 2 2 4 2 4 4 2 2 2 2 2 4 2 2 4 2 4 2 4 2 2 2 2 2 4 2 4
2 4 4 2 2 4 4 2 2 2 2 2 2 2 2 2 2 4 2 2 4 2 4 2 2 4 4 2 2 2 2 2 2 2 2 2 2
4 4 2 2 2 2 2 2 4 2 2 2 2 2 2 2 4 4 2 2 2 2 4 4 2 2 2 2 4 4 2 4 2 2 2 2 2
2 4 2 4 2 2 2 2 2 2 4 4 2 4 2 4 4 2 4 2 4 4 2]
直接比对真实值和预测值:
195 True
384 True
658 True
251 True
471 True
...
85 True
660 True
53 True
126 True
192 True
Name: Class, Length: 171, dtype: bool
准确率为:
0.9590643274853801
分类的评估方法
- 混淆矩阵
在分类任务下,预测结果和正确标记之间存在四种不同的组合,构成混淆矩阵(适用于多分类)
- 精确率与召回率
- 精确率(查准率):预测结果为正例样本中真实为样本的比例。
- 召回率(查全率):真实结果为正例的样本中预测结果为正例的比例。
- 其他评估标准:F1-score,反映了模型的稳健性。
- 分类评估报告API
sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None)
- y_true:真实目标值
- y_pred:估计器预测目标值
- labels:指定类别对应的数字
- target_names:目标类别名称
- return:每个类别精确率与召回率
# 查看精确率、召回率、F1-score
from sklearn.metrics import classification_report
report = classification_report(y_test, y_predict, labels=[2, 4], target_names=["良性", "恶性"])
ROC曲线与AUC指标
衡量样本不均衡下的评估
- TPR 与FPR
- TPR=TP/(TP+FN) (召回率)
- FPR=FP/(FP+TN) 所有真实类别为0的样本中,预测类别为1的比例
- ROC曲线
- AUC指标
- AUC的概率意义是随机取一对正负样本,正样本得分大于负样本的概率
- AUC的最小值为05,最大值为1,取值越高越好
- AUC=1,完美分类器,采用这个预测模型时,不管设定什么阈值都能得出完美预测。绝大多数预测的场合,不存在完美分类器。
- 0.5<AUC<1,优于随机猜测。这个分类器(模型)妥善设定阈值的话,能有预测价值。最终AUC的范围在[051]之间,并且越接近1越好。
- AUC计算API
from sklearn.metrics import roc_auc_score
- sklearn.metrics.roc_auc_score(y_true, y_score)
计算ROC曲线面积,及AUC值
y_true:每个样本的真实类别,必须为0(反例)和1(正例)
y_score:预测得分,可以是正类的估计概率、置信值或者分类器方法的返回值
# y_true:每个样本的真实类别,必须为0(反例),1(正例)标记
# 将y_test 转换成 0 1
y_true = np.where(y_test > 3, 1, 0)
from sklearn.metrics import roc_auc_score
roc_auc_score(y_true, y_predict)`在这里插入代码片`
运行结果
- 总结
- AUC只能用来评价二分类
- AUC非常适合评价样本在不均衡中的分类器性能
模型保存和加载
sklearn模型保存和加载API
import joblid
- 保存: joblib.dump(rf,‘test.pkl’)
- 加载:estimator=joblib.load(‘test.pkl’)
案例
- 保存模型
- 加载模型
无监督学习——K-means算法
无监督学习
- 没有目标值
- 无监督学习包含算法
聚类:K-means
降维:PCA
K-means原理
1)随机设置K个特征空间内的点作为初始的聚类中心
2)对于其他每个点计算到K个中心的距离,未知的点选择最近的一个聚类中心点
作为标记类别
3)接着对着标记的聚类中心之后,重新计算出每个聚类的新中心点(平均值)
4)如果计算得出的新中心点与原中心点一样,那么结束,否则重新进行第二步过程
K-means API
sklearn.cluster.KMeans(n_cluster=8, init=‘k-means++’)
- n_clusters:开始聚类中心数量
- init:初始化方法,默认为‘k-means++’
- labels_:默认标记的类型,可以和真实值比较(不是值比较)
案例:K-means对Instacart Market 用户聚类
之前学的主成分分析中的instacart 降维案例
- 分析
1)降维之后的数据
2)预估器流程:k-means聚类
3)聚类结果显示
4)模型评估
from sklearn.cluster import KMeans
estimator = KMeans(n_clusters=3)
estimator.fit(data_new)
y_predict = estimator.predict(data_new)
聚类的模型评估
1.轮廓系数
- 轮廓系数值分析
- 结论
1)b_i>>a_i:轮廓系数趋近于1效果越好;b_i<<a_i:趋近于-1,效果不好。
2)轮廓系数的值是介于[-1,1],越趋近于1代表内聚度和分离度都相对较优。
- 轮廓系数API
sklearn.metrics.silhouette_score(X, labels)
- 计算所有样本的平均轮廓系数
- X:特征值
- labels:被聚类标记的目标值
K-means总结
- 特点分析:采用迭代式算法,直观易懂并且非常实用
- 缺点:容易收敛到局部最优解(多次聚类)
- 应用场景:没有目标值
注意:聚类一般做在分类之前