机器学习之分类算法1
k-近邻算法(KNN)
定义: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),则该样本属于这个类别
ps:k取值很小时容易受异常点影响,取值很大时容易受k值数量影响
优点:易于实现,无需估计参数,无需训练
缺点:懒惰算法,内存开销大;必须指定k值,k值指定不当则不能保证精度
使用场景:小数据场景,几千到几万样本
加快搜索速度–基于算法改进的KDTree(sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, algorithm=‘auto’))其中algorithm可为auto、ball_tree、kd_tree、brute,auto是尝试根据传递给fit的值来确定合适的方法
朴素贝叶斯
贝叶斯公式:
P
(
C
∣
F
1
,
F
2...
)
=
P
(
F
1
,
F
2
,
.
.
.
∣
C
)
P
(
C
)
P
(
F
1
,
F
2
,
.
.
.
)
P(C|F1,F2...) = \frac {P(F1,F2,...|C)P(C)} {P(F1,F2,...)}
P(C∣F1,F2...)=P(F1,F2,...)P(F1,F2,...∣C)P(C)
拉普拉斯平滑:
P
(
F
∣
C
)
=
N
i
+
a
N
+
a
m
P(F|C) = \frac {Ni+a} {N+am}
P(F∣C)=N+amNi+a
a为指定系数一般为1,m为训练文档中统计出的特征词个数
拉普拉斯平滑用以解决贝叶斯中涉及的词频为0的情况
优点:有稳定分类效率;对缺失数据不敏感,常用于文本分类;分类速度快精确度高
缺点:由于使用了样本属性独立性的假设,如果样本属性相关联时效果不好
代码实现
from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.datasets import fetch_20newsgroups
from sklearn.naive_bayes import MultinomialNB
def knncls():
data = pd.read_csv("~.csv")
print(data.head())
data.query("x>1.0 & x<1.25")
time_value = pd.to_datetime(data['time'], unit='s')
print(time_value)
data['day'] = time_value.day
data.drop(['time'], axis=1) #列
print(data)
place_count = data.groupby('place_id').count()
tf = place_count[place_count.row_id > 3].reset_index()
data = data[data['place_id'].isin(tf.place_id)]
y= data['place_id']
x= data.drop(['place_id'], axis=1)
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(x_train, y_train)
y_predict = knn.predict(x_test)
print('准确率', knn.score(x_test, y_test))
return
def naivebayes():
news = fetch_20newsgroups(subset='all')
x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)
tf = TfidfVectorizer()
x_train = tf.fit_transform(x_train)
print(tf.get_feature_names())
x_test = tf.fit_transform(x_test)
mlt = MultinomialNB(alpha=1.0)
print(x_train.toarray())
mlt.fit(x_train, y_train)
y_predict = mlt.predict(x_test)
print('准确率为', mlt.score(x_test, y_test))
return
naivebayes()
混淆矩阵
精确率和召回率
F1-score
反映模型稳健性
F
1
=
2
T
P
2
T
P
+
F
N
+
F
P
=
2
∗
P
r
e
c
i
s
i
o
n
∗
R
e
c
a
l
l
P
r
e
c
i
s
i
o
n
+
R
e
c
a
l
l
F1 = \frac {2TP} {2TP+FN+FP} = \frac {2*Precision*Recall} {Precision+Recall}
F1=2TP+FN+FP2TP=Precision+Recall2∗Precision∗Recall
交叉验证
在给定的建模样本中,拿出大部分样本进行建模型,留小部分样本用刚建立的模型进行预报,并求这小部分样本的预报误差,记录它们的平方加和
超参数搜索-网格搜索
通常情况下,很多参数需要手动指定(如k-近邻算法中的k值),这种叫超参数。但手动过程繁杂,所以每组超参数都用交叉验证来评估