线性分类器
sklearn 中线性分类器 LogisticRegression 和SGDclassifier 对肿瘤进行、良/恶分类。
p35-p43
代码13:数据预处理:
1.读取csv 数据(1.创建特征向量表。2.pandas.read_csv 读取数据(网络或本地))
2.缺失数据处理(丢弃)
#代码 13 :良/恶性乳腺癌肿瘤数据预处理
import pandas as pd
import numpy as np
#创建特征列表
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']
#使用 pandas.read_csv函数从互联网读取指定数据
data = pd.read_csv(r'D:\MainPart\Waytokaggle\data\breast-cancer-wisconsin.data',names = column_names)
#将?替换为标准缺失值表示
data = data.replace(to_replace = '?',value = np.nan)
#丢弃带有缺失值的数据
data = data.dropna(how = 'any')
#输出data的数据量和纬度
data.shape
代码14:数据划分
1.对数据划分,分出 训练集和测试集。
2.查看训练集与测试集的数量和类别划分。
#代码 14 :准备良/恶性乳腺癌肿瘤训练、测试数据
#使用 train_test_split 分割训练集
from sklearn.cross_validation import train_test_split
#随机采样25%的数据用于测试,剩下75%用于构建训练集
x_train,x_test,y_train,y_test = train_test_split(data[column_names[1:10]],data[column_names[10]],test_size = 0.25,random_state = 33)
#查验训练样本的数量和类别分布
#查看训练集 测试集 数量及类别分布
y_train.value_counts()
y_test.value_counts()
代码15:线性分类器进行分类 ,sklearn 中线性分类器 LogisticRegression 和SGDclassifier
1.标准化数据,每个维度 均值为0,方差为1。
2.LogisticRegression 和SGDclassifier :1.初始化。2.fit函数训练模型参数。3.训练好模型predict函数 进行预测,结果保存。
#代码 15 :使用线性分类模型从事良/恶性肿瘤预测任务
#StandardScaler标准化,尽量将数据转化为均值为零,方差为一的数据
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.linear_model import SGDClassifier
#标准化数据,尽量将数据转化为均值为零,方差为一的数据,使得预测结果不会被某些纬度过大的特征值而主导
ss = StandardScaler()
x_train = ss.fit_transform(x_train)
x_test = ss.fit_transform(x_test)
#初始化LogisticRegression 与 SGDClassifier
lr = LogisticRegression()
sgdc = SGDClassifier()
#调用LogisticRegression 中的 fit 函数/模块用来训练模型参数
lr.fit(x_train,y_train)
#使用训练好的模型lr对x_test进行预测,结果存储在lr_y_predict中
lr_y_predict = lr.predict(x_test)
#调用SGDClassifier 中的 fit 函数/模块用来训练模型参数
sgdc.fit(x_train,y_train)
#使用训练好的模型sgdc对x_test进行预测,结果存储在sgdc_y_predict中
sgdc_y_predict = lr.predict(x_test)
代码16:性能分析
1.使用模型自带函数score ,获得模型在测试集上的准确性结果。
2.使用classification_report ,获得混淆矩阵
#代码 16 :使用线性分类器模型从事良/恶性肿瘤预测任务的性能分析
from sklearn.metrics import classification_report
#使用logistic回归模型自带的评分函数score 获得模型在测试集上的准确性结果
print('Accuracy of LR Classifier:',lr.score(x_test,y_test))
#利用classification_report模块获得LogisticRegression其它三个指标的结果
print(classification_report(y_test,lr_y_predict,target_names=['Benign','Malignant']))
#使用SGD随机梯度下降模型自带的评分函数score 获得模型在测试集上的准确性结果
print('Accuracy of SGD classifier:',sgdc.score(x_test,y_test))
#利用classification_report模块获得SGDclassifier其它三个指标的结果
print(classification_report(y_test,sgdc_y_predict,target_names = ['Benign','Malignant']))