机器学习（三）

分类算法

sklearn转换器和估计器

之前做的特征工程的步骤：
1、实例化 (实例化的是一个转换器类(Transformer))
2、调用fit_transform(对于文档建立分类词频矩阵，不能同时调用)

• 转换器
  把特征工程的接口称为转换器
  调用形式：

1. fit_transform
   fit_transform的作用相当于transform加上fit
2. fit
   用于从一个训练集中学习模型参数，在fit的基础上，把做的转化应用到每个数据点上，包括归一化时要用到的均值，标准偏差。fit之后，可以调用各种API方法，transform是其中之一。fit_transform与transform运行结果一致，但是fit与transform无关，只是数据处理的两个环节。

StandardScaler(copy=True, with_mean=True, with_std=True) # 返回值

3. transform
   用于将fit()后学到的数据集特征应用到数据集
   注意：
4. 训练集使用fit_transform(),而测试集使用tranform()
   因为在训练数据集的时候，已经使用fit()或者fit_transform得到了整体的指标（均值，方差等），所以在测试集上直接transform()调用之前的指标。如果此时在测试集上再进行一次fit()，由于两次的数据不一样，导致得到不同的指标，会使预测发生偏差，因为模型是针对之前的数据fit()出来的标准来训练的，而现在的数据是新的标准，会导致预测的不准确。
5. fit(x,y)传两个参数的是有监督学习的算法，两个参数分别对应这特征和目标值
   fit(x)传一个参数的是无监督学习的算法，比如降维，特征提取，标准化

• 估计器
  在sklearn中，估计器(estimator)是一个重要的角色，是一类实现了算法的API

5. 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
6. 用于回归的估计器：
   sklearn.linear_model.LinearRegression 线性回归
   sklearn.linear_model.Ridge 岭回归
7. 用于无监督学习的估计器
   sklearn.cluster.KMeans 聚类
   

K-近邻算法

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。

• 距离公式
  
• API

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’)
n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数
algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用
BallTree，‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。
(不同实现方式影响效率)

from sklearn.neighbors import KNeighborsClassifier
def load_data():
    iris = datasets.load_iris()
    x_train, x_test, y_train, y_test = \
        train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)  # 测试集不要用fit, 因为要保持和训练集处理方式一致
    return x_train, x_test, y_train, y_test
def KNN_test():
    x_train, x_test, y_train, y_test = load_data()

    # KNN算法预估器
    estimator = KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train, y_train)

    # 传入测试值通过前面的预估器获得预测值
    y_predict = estimator.predict(x_test)
    print("预测值为:", y_predict, "\n真实值为:", y_test, "\n比较结果为:", y_test == y_predict)
    score = estimator.score(x_test, y_test)
    print("准确率为: ", score)
    return None

• 结果评价
  准确率： 分类算法的评估之一
  1、k值取多大？有什么影响？
  k值取很小：容易受到异常点的影响
  k值取很大：受到样本均衡的问题
  2、性能问题？
  距离计算上面，时间复杂度高
  优点：
  简单，易于理解，易于实现，无需训练
  缺点：
  懒惰算法，对测试样本分类时的计算量大，内存开销大
  必须指定K值，K值选择不当则分类精度不能保证
  使用场景：小数据场景，几千～几万样本，具体场景具体业务去测试

模型选择与调优

交叉验证

交叉验证目的：为了让被评估的模型更加准确可信
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5份，其中一份作为验证集。然后经过5次(组)的测试，每次都更换不同的验证集。即得到5组模型的结果，取平均值作为最终结果。又称5折交叉验证。
数据分为训练集和测试集，但是为了让从训练得到模型结果更加准确。做以下处理：

训练集：训练集+验证集
测试集：测试集

超参数搜索-网格搜索(Grid Search)

通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫超参数。但是手动过程繁杂，所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。

• API

sklearn.model_selection.GridSearchCV(estimator,
param_grid=None,cv=None) 对估计器的指定参数值进行详尽搜索 estimator：估计器对象
param_grid：估计器参数(dict){“n_neighbors”:[1,3,5]}
cv：指定几折交叉验证
fit：输入训练数据
score：准确率 结果分析： bestscore:在交叉验证中验证的最好结果_ bestestimator：最好的参数模型
cvresults:每次交叉验证后的验证集准确率结果和训练集准确率结果

def KNN_optimal():  # 模型选择和调优
    # 网格搜索和交叉验证
    x_train, x_test, y_train, y_test = load_data()
    estimator = KNeighborsClassifier()  # 默认都是欧式距离, 采用的是minkowski推广算法,p=1是曼哈顿, p=2是欧式, 而默认值为2
    # 开始调优
    # 第一个参数是estimator
    # 第二个是估计器参数，参数名称（字符串）作为key，要测试的参数列表作为value的字典，或这样的字典构成的列表
    # 第三个是指定cv=K,  K折交叉验证
    # https://www.cnblogs.com/dblsha/p/10161798.html
    param_dict = {"n_neighbors": [1, 3, 5, 7, 9, 11]}
    estimator = GridSearchCV(estimator, param_grid=param_dict, cv=10)
    # 结束调优
    estimator.fit(x_train, y_train)

    # 传入测试值通过前面的预估器获得预测值
    y_predict = estimator.predict(x_test)
    print("预测值为:", y_predict, "\n真实值为:", y_test, "\n比较结果为:", y_test == y_predict)
    score = estimator.score(x_test, y_test)
    print("准确率为: ", score)
    # ------------------
    print("最佳参数:\n", estimator.best_params_)
    print("最佳结果:\n", estimator.best_score_)
    print("最佳估计器:\n", estimator.best_estimator_)
    print("交叉验证结果:\n", estimator.cv_results_)
    # -----------------以上是自动筛选出的最佳参数, 调优结果

朴素贝叶斯算法

贝叶斯+假设特征条件之间相互独立
贝叶斯公式：

• 拉普拉斯平滑系数
  目的：防止计算出的分类概率为0
  

API sklearn.naive_bayes.MultinomialNB(alpha = 1.0) 朴素贝叶斯分类
alpha：拉普拉斯平滑系数

def load_data():
    # all_data = fetch_20newsgroups(subset="all")  # 下载新闻
    all_data = load_files(container_path="F:\\Installations\\JetBrains\\PycharmProjects\\TestDemo\\venv\\resources\\20news-bydate-train")
    x_train, x_test, y_train, y_test = \
        train_test_split(all_data.data, all_data.target, test_size=0.2, random_state=22)
    transfer = TfidfVectorizer()  # 这是一种文本分类器
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)  # 测试集不要用fit, 因为要保持和训练集处理方式一致
    return x_train, x_test, y_train, y_test


def naive_bayes_test():  # 正常的代码过程是数据处理,然后预估器,然后预估预测值
    x_train, x_test, y_train, y_test = load_data()

    estimator = MultinomialNB()
    estimator.fit(x_train, y_train)

    y_predict = estimator.predict(x_test)
    print("预测值为:", y_predict, "\n真实值为:", y_test, "\n比较结果为:", y_test == y_predict)
    score = estimator.score(x_test, y_test)
    print("准确率为: ", score)
    return None

• 评价
  优点：
  朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率。
  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

决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-then结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法，每次划分优先选择权重大的节点。

• 信息熵
  猜猜这32支球队那个是冠军。并且猜测错误付出代价。每猜错一次给一块钱,为了使代价最小，可以使用二分法猜测.32支球队，log32=5比特
  香农指出，它的准确信息量应该是，p为每个球队获胜的概率（假设概率相等，都为1/32），我们不用钱去衡量这个代价了，香浓指出用比特：
  
  H的专业术语称之为信息熵，单位为比特。
  
  当这32支球队夺冠的几率相同时，对应的信息熵等于5比特
  只要概率发生任意变化，信息熵都比5比特大
• 信息和消除不确定性是相联系的
  当我们得到的额外信息（球队历史比赛情况等等）越多的话，那么我们猜测的代价越小（猜测的不确定性减小）
• 信息增益
  决策树的划分依据之一
  特征A对训练数据集D的信息增益g(D,A),定义为集合D的信息熵H(D)与特征A给定条件下D的信息条件熵H(D|A)之差，即公式为：
  

决策树的三种算法实现

• ID3
  信息增益 最大的准则
• C4.5
  信息增益比 最大的准则
• CART
  分类树: 基尼系数 最小的准则 在sklearn中可以选择划分的默认原则
  优势：划分更加细致（从后面例子的树显示来理解）
  决策树API

class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,random_state=None)
决策树分类器
criterion:默认是’gini’系数，也可以选择信息增益的熵’entropy’
max_depth:树的深度大小
random_state:随机数种子
其中会有些超参数：max_depth:树的深度大小
其它超参数结合随机森林说

def show_tree(estimator, feature_name):
    export_graphviz(estimator, out_file="../tree.dot", feature_names=feature_name)  # 生成树文件, 可以用图像识别软件来画树
    return None


def decision_tree_test():
    iris = datasets.load_iris()
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)

    estimator = DecisionTreeClassifier(criterion="entropy")
    estimator.fit(x_train, y_train)
    show_tree(estimator, iris.feature_names)

    y_predict = estimator.predict(x_test)
    print("预测值为:", y_predict, "\n真实值为:", y_test, "\n比较结果为:", y_test == y_predict)
    score = estimator.score(x_test, y_test)
    print("准确率为: ", score)
    return None

决策树可视化安装教程

• 总结
  优点：
  简单的理解和解释，树木可视化。
  缺点：
  决策树学习者可以创建不能很好地推广数据的过于复杂的树，这被称为过拟合。
  改进：
  减枝cart算法(决策树API当中已经实现，随机森林参数调优有相关介绍)

集成学习方法之随机森林

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。
在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个数的结果是False, 那么最终投票结果就是True

• 原理
  学习算法根据下列算法而建造每棵树：
  用N来表示训练用例（样本）的个数，M表示特征数目。
  1、一次随机选出一个样本，重复N次， （有可能出现重复的样本）
  2、随机去选出m个特征, m <<M，建立决策树
• 采取bootstrap抽样　　
  如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的
  为什么要有放回地抽样？
  如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。
• API

class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)

随机森林分类器
n_estimators：integer，optional（default = 10）森林里的树木数量120,200,300,500,800,1200
criteria：string，可选（default =“gini”）分割特征的测量方法
max_depth：integer或None，可选（默认=无）树的最大深度 5,8,15,25,30
max_features="auto”,每个决策树的最大特征数量
If “auto”, then max_features=sqrt(n_features).
If “sqrt”, then max_features=sqrt(n_features) (same as “auto”).
If “log2”, then max_features=log2(n_features).
If None, then max_features=n_features.
bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样
min_samples_split:节点划分最少样本数
min_samples_leaf:叶子节点的最小样本数
超参数：n_estimator, max_depth, min_samples_split,min_samples_leaf

    estimator = RandomForestClassifier()
    # 默认bootstrap 表示为true,也就是说默认情况下放回抽样

    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)  # 训练集里面的数据和目标值

    # 传入测试值通过前面的预估器获得预测值
    y_predict = estimator.predict(x_test)
    print("预测值为:", y_predict, "\n真实值为:", y_test, "\n比较结果为:", y_test == y_predict)
    score = estimator.score(x_train, y_train)
    print("准确率为: ", score)

• 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

总结