1101-《Python数据科学手册》读书笔记
机器学习
Scikit-Learn简介
目前,Python 有不少可以实现各种机器学习算法的程序库。Scikit-Learn(http://scikit-learn.org)是最流行的程序包之一,它为各种常用机器学习算法提供了高效版本。Scikit-Learn不仅因其干净、统一、管道命令式的 API 而独具特色,而且它的在线文档又实用、又完整。这种统一性的好处是,只要你掌握了 Scikit-Learn 一种模型的基本用法和语法,就可以非常平滑地过渡到新的模型或算法上。
首先介绍 Scikit-Learn 的数据表示(data representation),然后介绍评估器 API(Estimator API),最后通过一个有趣的示例演示如何用这些工具探索手写数字图像。
1. Scikit-Learn的数据表示
机器学习是从数据创建模型的学问,因此你首先需要了解怎样表示数据才能让计算机理解。Scikit-Learn 认为数据表示最好的方法就是用数据表的形式。
1.数据表
基本的数据表就是二维网格数据,其中的每一行表示数据集中的每个样本,而列表示构成每个样本的相关特征。例如 Ronald Fisher 在 1936 年对鸢尾花数据集(https://en.wikipedia.org/wiki/Iris_flower_data_set) 的 经 典 分 析。 我 们 用 Seaborn 程 序 库(https://stanford.edu/~mwaskom/software/seaborn/)下载数据并加载到 Pandas 的 DataFrame 中:
In[1]: import seaborn as sns
iris = sns.load_dataset('iris')
iris.head()
Out[1]: sepal_length sepal_width petal_length petal_width species
0 5.1 3.5 1.4 0.2 setosa
1 4.9 3.0 1.4 0.2 setosa
2 4.7 3.2 1.3 0.2 setosa
3 4.6 3.1 1.5 0.2 setosa
4 5.0 3.6 1.4 0.2 setosa
其中的每行数据表示每朵被观察的鸢尾花,行数表示数据集中记录的鸢尾花总数。一般情况下,会将这个矩阵的行称为样本(samples),行数记为 n_samples。
同样,每列数据表示每个样本某个特征的量化值。一般情况下,会将矩阵的列称为特征(features),列数记为 n_features。
2. 特征矩阵
这个表格布局通过二维数组或矩阵的形式将信息清晰地表达出来,所以我们通常把这类矩阵称为特征矩阵(features matrix)。特征矩阵通常被简记为变量 X。它是维度为 [n_samples, n_features]
的二维矩阵,通常可以用 NumPy 数组或 Pandas 的DataFrame 来表示,不过 Scikit-Learn 也支持 SciPy 的稀疏矩阵。
样本(即每一行)通常是指数据集中的每个对象。例如,样本可能是一朵花、一个人、一篇文档、一幅图像,或者一首歌、一部影片、一个天体,甚至是任何可以通过一组量化方法进行测量的实体。
特征(即每一列)通常是指每个样本都具有的某种量化观测值。一般情况下,特征都是实数,但有时也可能是布尔类型或者离散值。
3.目标数组
除了特征矩阵 X 之外,我们还需要一个标签或目标数组,通常简记为 y。目标数组一般是一维数组,其长度就是样本总数 n_samples,通常都用一维的 NumPy 数组或 Pandas 的Series 表示。目标数组可以是连续的数值类型,也可以是离散的类型 / 标签。虽然有些Scikit-Learn 的评估器可以处理具有多目标值的二维 [n_samples, n_targets] 目标数组,但此处基本上只涉及常见的一维目标数组问题。
如何区分目标数组的特征与特征矩阵中的特征列,一直是个问题。目标数组的特征通常是我们希望从数据中预测的量化结果;借用统计学的术语,y 就是因变量。以前面的示例数据为例,我们需要通过其他测量值来建立模型,预测花的品种(species),而这里的species 列就可以看成是目标数组。
知道这一列是目标数组之后,就可以用 Seaborn(详情请参见 4.16 节)对数据进行可视化了(如图 5-12 所示):
In[2]: %matplotlib inline
import seaborn as sns; sns.set()
sns.pairplot(iris, hue='species', size=1.5);
在使用 Scikit-Learn 之前,我们需要从 DataFrame 中抽取特征矩阵和目标数组。可以用第 3章介绍的 Pandas DataFrame 基本操作来实现:
In[3]: X_iris = iris.drop('species', axis=1)
X_iris.shape
Out[3]: (150, 4)
In[4]: y_iris = iris['species']
y_iris.shape
Out[4]: (150,)
图 5-12:鸢尾花数据集的可视化
特征矩阵和目标数组的布局如图 5-13 所示。
图 5-13:Scikit-Learn 数据表布局
有了适当的数据形式之后,就可以开始学习 Scikit-Learn 的评估器 API 了。
2.Scikit-Learn的评估器API
Scikit-Learn API 主要遵照以下设计原则,Scikit-Learn API 文档也对此有所概述。
-
统一性
所有对象使用共同接口连接一组方法和统一的文档。 -
内省
所有参数值都是公共属性。 -
限制对象层级
只有算法可以用 Python类表示。数据集都用标准数据类型(NumPy 数组、Pandas DataFrame、SciPy 稀疏矩阵)表示,参数名称用标准的Python 字符串。 -
函数组合
许多机器学习任务都可以用一串基本算法实现,Scikit-Learn 尽力支持这种可能。 -
明智的默认值
当模型需要用户设置参数时,Scikit-Learn 预先定义适当的默认值。
只要你理解了这些设计原则,就会发现 Scikit-Learn 非常容易使用。Scikit-Learn 中的所有机器学习算法都是通过评估器 API 实现的,它为各种机器学习应用提供了统一的接口。
1. API基础知识
Scikit-Learn 评估器 API 的常用步骤如下所示(后面介绍的示例都是按照这些步骤进行的)。
(1) 通过从 Scikit-Learn 中导入适当的评估器类,选择模型类。
(2) 用合适的数值对模型类进行实例化,配置模型超参数(hyperparameter)。
(3) 整理数据,通过前面介绍的方法获取特征矩阵和目标数组。
(4) 调用模型实例的 fit() 方法对数据进行拟合。
(5) 对新数据应用模型:
- 在有监督学习模型中,通常使用 predict() 方法预测新数据的标签;
- 在无监督学习模型中,通常使用 transform() 或 predict() 方法转换或推断数据的性质。
2. 有监督学习示例:简单线性回归
让我们来演示一个简单线性回归的建模步骤——最常见的任务就是为散点数据集 (x, y) 拟
合一条直线。我们将使用下面的样本数据来演示这个回归示例(如图 5-14 所示):
In[5]: import matplotlib.pyplot as plt
import numpy as np
rng = np.random.RandomState(42)
x = 10 * rng.rand(50)
y = 2 * x - 1