机器学习日记2017.1.9

（《机器学习系统设计》第一章）

一、学习简单的Numpy、Scipy用法

Numpy：数组维数转换reshape()、对数组操作能传递到每一个元素、索引np.array()、修剪函数clip()、清洗~np.isnan()

Scipy工具包：

二、练习第一个（极小的）的机器学习应用

 

1.读取数据（一个月的web请求统计信息）

import scipy as sp
data = sp.genfromtxt("web_traffic.tsv", delimiter="\t")

print(data[:10])

验证输出：

[[  1.00000000e+00   2.27200000e+03]
 [  2.00000000e+00              nan]
 [  3.00000000e+00   1.38600000e+03]
 [  4.00000000e+00   1.36500000e+03]
 [  5.00000000e+00   1.48800000e+03]
 [  6.00000000e+00   1.33700000e+03]
 [  7.00000000e+00   1.88300000e+03]
 [  8.00000000e+00   2.28300000e+03]
 [  9.00000000e+00   1.33500000e+03]
 [  1.00000000e+01   1.02500000e+03]]

2.预处理和清洗数据

分为两个向量：（更多功能：索引（indexing）、切割（slicing）、迭代（iterating））

x = data[:,0]
y = data[:,1]

用~在逻辑上对数组取反，清洗掉无用项：

x = x[~sp.isnan(y)]
y = y[~sp.isnan(y)]

3.将数据用Matplotlib在散点图上展示：

import matplotlib.pyplot as plt
plt.scatter(x,y)
plt.title("Web Traffic over the last month")
plt.xlabel("Time")
plt.ylabel("Hits/hour")
plt.xticks([w*7*24 for w in range(10)],
    ['week %i'%w for w in range(10)])
plt.autoscale(tight=True)
plt.grid()
plt.show()

4.明确一下任务：

• 找到有噪数据背后真正模型
• 使用该模型预测未来

5.构建误差（预测值到真实值的平方距离）函数：

def error(f, x, y):
    return sp.sum((f(x)-y)**2)

6.构建第一个模型：直线

fp1, residuals, rank, sv, rcond = sp.polyfit(x, y, 1, full=True)

ployfit()返回参数，即fp1，res为残差

>>> print("Model parameters: %s" % fp1)
Model parameters: [   2.59619213  989.02487106]
>>> print(residuals)
[  3.17389767e+08]

所以，直线函数：f(x) = 2.59619213 * x + 989.02487106

然后依据这些参数创建模型函数

>>> f1 = sp.poly1d(fp1)
>>> print(error(f1, x, y))
317389767.34

绘图：

fx = sp.linspace(0,x[-1], 1000)
plt.plot(fx, f1(fx), linewidth=4)
plt.legend(["d=%i" % f1.order], loc="upper left")
plt.scatter(x,y)
plt.title("web traffic over the last month")
plt.xlabel("Time")
plt.ylabel("Hitshour")
plt.xticks([w * 7 * 24 for w in range(10)],
['week %i'%w for w in  range(10)])
plt.autoscale(tight=True)
plt.grid()
plt.show()
print(data)

8.分别用2、3、10、100阶来构建模型，并计算误差：

二阶代码：

>>> f2p = sp.polyfit(x,y,2)
>>> print(f2p)
[  1.05322215e-02  -5.26545650e+00   1.97476082e+03]
>>> f2 = sp.poly1d(f2p)
>>> print(error(f2, x, y))
179983507.878

从误差error中可以发现结束越高，误差越小。但观察10阶和100阶的图像可以发现震荡剧烈，即发生了“过拟合”。

然后在利用2、3阶对边界预测时效果非常差，因此需要从其他角度理解数据。

9.尝试训练出两条直线，以3.5周为拐点

inflection = 3.5 * 7 * 24
xa = x[:inflection]
ya = y[:inflection]
xb = x[inflection:]
yb = y[inflection:]
fa = sp.poly1d(sp.polyfit(xa, ya, 1))
fb = sp.poly1d(sp.polyfit(xb, yb, 1))
fa_error = error(fa, xa, ya)
fb_error = error(fb, xb, yb)
print("Error inflection=%d" % (fa_error + fb_error))

当1、2、3、10、53相比较时可看出高阶阶效果仍不好（图片来自网络），2阶预测效果最佳

10.训练与测试