分类算法
逻辑回归
逻辑回归主要用来解决二分类问题
sigmoid函数
大于阈值推测为1类,否则为0类
逻辑回归的损失值
h = -log2§
h = -log2(1-P)
逻辑回归也要标准化
sklearn逻辑回归API
sklearn.linear_model.LogisticRegression(penalty=‘l2’, C = 1.0
良性/恶性肿瘤数据
原始数据的下载地址:
https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data
数据描述
(1)699条样本,共11列数据,第一列用语检索的id,后9列分别是与肿瘤
相关的医学特征,最后一列表示肿瘤类型的数值。
(2)包含16个缺失值,用”?”标出。
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report
def logistic():
"""
逻辑回归肿瘤分类
:return: None
"""
# 构造列标签
column_names = ['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("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data", names=column_names)
print(data)
# 缺失值进行处理 将?替换成nan
data = data.replace(to_replace='?', value=np.nan)
# 默认将nan去除
data = data.dropna()
# 数据分割
x_train, x_test, y_train, y_test = train_test_split(data[column_names[1:10]], data['Class'], test_size=0.25)
# 进行标准化处理
std = StandardScaler()
x_train = std.fit_transform(x_train)
x_test = std.transform(x_test)
# 逻辑回归预测
lg = LogisticRegression(C=1.0)
lg.fit(x_train,y_train)
y_predict = lg.predict(x_test)
print(lg.coef_)
print("准确率", lg.score(x_test, y_test))
print("召回率",classification_report(y_test, y_predict,
labels=[2,4],target_names=['良性', '恶性']))
return None
if __name__ == "__main__":
logistic()
输出结果:
Sample code number Clump Thickness ... Mitoses Class
0 1000025 5 ... 1 2
1 1002945 5 ... 1 2
2 1015425 3 ... 1 2
3 1016277 6 ... 1 2
4 1017023 4 ... 1 2
.. ... ... ... ... ...
694 776715 3 ... 1 2
695 841769 2 ... 1 2
696 888820 5 ... 2 4
697 897471 4 ... 1 4
698 897471 4 ... 1 4
[699 rows x 11 columns]
[[ 1.51959989 0.22055897 0.91249926 0.53159794 -0.10366186 1.32077445
1.00800169 1.04509693 0.74158942]]
准确率 0.9649122807017544
召回率 precision recall f1-score support
良性 0.97 0.97 0.97 105
恶性 0.95 0.95 0.95 66
accuracy 0.96 171
macro avg 0.96 0.96 0.96 171
weighted avg 0.96 0.96 0.96 171
逻辑回归总结
应用:广告点击率预测、电商购物搭配推荐(二分类)
优点:适合需要得到一个分类概率的场景
缺点:当特征空间很大时,逻辑回归的性能不是很好(看硬件能力),不能很好处理二分类
softmax方法-逻辑回归在多分类问题上的推广
生成模型和判别模型
非监督学习
k-means算法(聚类)
把数据分为k类(知道/不知道)
分类过程:
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_clusters=8,init=‘k-means++’)
k-means聚类
n_clusters:开始的聚类中心数量
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)
k-means性能评估指标
注:对于每个点𝑖 为已聚类数据中的样本 ,𝑏𝑖 为𝑖 到其它族群的所有样本的平均
距离,𝑎𝑖 为𝑖 到本身簇的距离平均值
最终计算出所有的样本点的轮廓系数平均值
如果𝑠𝑐𝑖 小于0,说明𝑎𝑖 的平均距离大于最近的其他簇。
聚类效果不好
如果𝑠𝑐𝑖 越大,说明𝑎𝑖 的平均距离小于最近的其他簇。
聚类效果好
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
K-means性能评估指标API
sklearn.metrics.silhouette_score
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)
需要预先设定簇的数量(k-means++解决)