集成学习笔记1--导论

机器学习的一个重要的目标就是利用数学模型来理解数据，发现数据中的规律，用作数据的分析和预测。数据通常由一组向量组成，这组向量中的每个向量都是一个 样本，用𝑥𝑖来表示，其中𝑖 = 1, 2, 3, . . . , 𝑁，共N个样本，每个样本𝑥𝑖 = (𝑥𝑖1, 𝑥𝑖2, . . . , 𝑥𝑖𝑝, 𝑦𝑖)共p+1个维度，前p个维度的每个维度我们称为一个 特征，最后一个维度𝑦𝑖我们称为 因变量(响应变量)。特征用来描述影响因变量的因素，如：我们要探寻身高是否会影响体重的关系的时候，身高就是一个特征，体重就是一个因变量。通常在一个数据表dataframe里面，一行表示一个样本𝑥𝑖，一列表示一个特征。
我们对数据的形式作出如下约定：
第i个样本： $x_i=(x_{i1},x_{i2},...,x_{ip},y_i{)}^T$
因变量 $y_i=(y_1,y_2,...,y_N{)}^T$
第k个特征: $x^{(k)}=(x_{k1},x_{k2},...,x_{Np}{)}^T$
特征矩阵 $x_i=(x_1,x_2,...,x_N{)}^T$

根据数据是否有因变量，机器学习的任务可分为：有监督学习和无监督学习。

• 有监督学习
  给定某些特征去估计因变量，即因变量存在的时候，我们称这个机器学习任务为有监督学习。如：我们使用房间面积，房屋所在地区，环境等级等因素去预测某个地区的房价。
• 无监督学习
  给定某些特征但不给定因变量，建模的目的是学习数据本身的结构和关系。如：我们给定某电商用户的基本信息和消费记录，通过观察数据中的哪些类型的用户彼此间的行为和属性类似，形成一个客群。注意，我们本身并不知道哪个用户属于哪个客群，即没有给定因变量。
  

根据因变量的是否连续，有监督学习又分为回归和分类：

• 回归
  因变量是连续型变量，如：房价，体重等。
• 分类
  因变量是离散型变量，如：是否患癌症，西瓜是好瓜还是坏瓜等。

机器学习常用库：

库	应用
numpy	数据分析处理
pandas	数据分析处理
matplotlib.pyplot	可视化
seaborn	在Matplotlib上进行了更高级的API封装数据可视化库

1.1 回归

sklearn中所有内置数据集都封装在datasets对象内： 返回的对象有：

• data:特征X的矩阵(ndarray)
• target:因变量的向量(ndarray)
• feature_names:特征名称(ndarray)

from sklearn import datasets

boston = datasets.load_boston()    #返回一个类似于字典的类
X = boston.data
y = boston.target
features = boston.feature_names
boston_data = pd.DataFrame(X, columns=features)		#将X转换为DataFrame表形式，并将列名命名为特证名
boston_data['Price'] = y	#将因变量列加入数据表
boston_data.head()

#可视化
sns.scatterplot(boston_data['NOX'], boston_data['Price'], color='r', alpha=0.6)
plt.title("Price~NOX")
plt.show()

显示数据如下：

各个特征的相关解释：

• CRIM：各城镇的人均犯罪率
• ZN：规划地段超过25,000平方英尺的住宅用地比例
• INDUS：城镇非零售商业用地比例
• CHAS：是否在查尔斯河边(=1是)
• NOX：一氧化氮浓度(/千万分之一)
• RM：每个住宅的平均房间数
• AGE：1940年以前建造的自住房屋的比例
• DIS：到波士顿五个就业中心的加权距离
• RAD：放射状公路的可达性指数
• TAX：全部价值的房产税率(每1万美元)
• PTRATIO：按城镇分配的学生与教师比例
• B：1000(Bk - 0.63)^2其中Bk是每个城镇的黑人比例
• LSTAT：较低地位人口
• Price：房价

可视化结果：

1.2 分类

from sklearn import datasets

iris = datasets.load_iris()
X = iris.data
y = iris.target
features = iris.feature_names
iris_data = pd.DataFrame(X, columns=features)
iris_data['target'] = y
iris_data.head()

#可视化
'''
enumerate():对于一个可迭代的（iterable）/可遍历的对象（如列表、字符串），enumerate将其组成一个索引序列，利用它可以同时获得索引和值。
np.unique():该函数是去除数组中的重复数字，并进行排序之后输出。
'''
for index,c in enumerate(np.unique(y)):
    plt.scatter(x=iris_data.loc[y==c, "sepal length (cm)"], y=iris_data.loc[y==c, "sepal width (cm)"])
plt.xlabel("sepal length(cm)")
plt.ylabel("sepal width(cm)")
plt.legend(labels = [1,2,3])
plt.show()

显示数据如下：

各个特征的相关解释：

• sepal length (cm)：花萼长度(厘米)
• sepal width (cm)：花萼宽度(厘米)
• petal length (cm)：花瓣长度(厘米)
• petal width (cm)：花瓣宽度(厘米)

可视化结果：

1.3 无监督学习

我们可以使用sklearn生成符合自身需求的数据集。

#生成月牙形非凸集
from sklearn import datasets
x, y = datasets.make_moons(n_samples=2000, shuffle=True, 
                           noise=0.05,random_state=None)
for index,c in enumerate(np.unique(y)):
    plt.scatter(x[y==c, 0], x[y==c, 1], s=7)
plt.show()

#生成符合正态分布的聚类数据
from sklearn import datasets
x ,y = datasets.make_blobs(n_samples=5000, n_features=2, centers=3)
for index,c in enumerate(np.unique(y)):
    plt.scatter(x[y==c, 0], x[y==c, 1], s=7)
plt.show()