sklearn：Python语言开发的通用机器学习库

引言：深入理解机器学习并全然看懂sklearn文档，须要较深厚的理论基础。可是。要将sklearn应用于实际的项目中，仅仅须要对机器学习理论有一个主要的掌握，就能够直接调用其API来完毕各种机器学习问题。

本文选自《全栈数据之门》。将向你介绍通过三个步骤来解决详细的机器学习问题。

sklearn介绍

　　scikit-learn是Python语言开发的机器学习库。一般简称为sklearn。眼下算是通用机器学习算法库中实现得比較完好的库了。

其完好之处不仅在于实现的算法多。还包含大量详尽的文档和演示样例。其文档写得通俗易懂，全然能够当成机器学习的教程来学习。
　　假设要说sklearn文档的重要性，个人认为，应该能够与佛经中的《金刚经》相比。假设能将其当成《金刚经》一样来阅读，你的机器学习水平一定会有质的提升。
　　一般初阅佛经。肯定会被当中的一些名词弄糊涂，就像初次阅读sklearn的文档一样，会被诸如training data、testing data、model select、cross validation等这种词汇弄糊涂。但实际上，仅仅要肯用心读，把这些基础概念弄明确，兴许学习就比較easy了。sklearn必需要结合机器学习的一些基础理论来理解，就像佛经必需要结合一些佛法基础理论来理解一样。
　　既然是通用的机器学习库。sklearn中包括了大量经常使用的算法。正如其介绍一样。基本功能主要分为6个部分：分类、回归、聚类、数据降维、模型选择与数据预处理。例如以下图所看到的。

　　要深入理解机器学习，而且全然看懂sklearn的文档，须要较深厚的理论基础。可是。要将sklearn应用于实际的项目中，却并不须要特别多的理论知识，仅仅须要对机器学习理论有一个主要的掌握，就能够直接调用其API来完毕各种机器学习问题。
对于详细的机器学习问题，通常能够分为三个步骤：

• 数据准备与预处理
• 模型选择与训练
• 模型验证与參数调优

以下就通过一个详细的演示样例来介绍这三个步骤。

数据预处理

　　在这个演示样例中，使用sklearn自带的Iris数据来做演示。而算法使用kNN来进行分类，要了解kNN算法的具体信息，请參考“近朱者赤。相亲kNN”一节。
　　使用load_iris方法，载入Iris数据。Iris是一个很有名的公共数据集。描写叙述了鸢尾花的三种不同的子类别，共同拥有4个特征，分别为花萼的长度与宽度，花瓣的长度与宽度。能够不用关注详细分哪三类，仅仅须要知道在数据中类标签分别用0、1、2表示就可以。

　　载入数据的代码例如以下：

%pyspark

from sklearn.datasets import load_iris
from sklearn.cross_validation import train_test_split

# 载入数据
iris = load_iris()
data_X = iris.data
data_y = iris.target

# 数据维度、特征与目标值的前3项
print('data:', data_X.shape, data_y.shape)
print('features:', data_X[:3, :])
print('target:', data_y[:3])

# 数据切分
train_X, test_X, train_y, test_y = train_test_split(data_X, 
data_y, test_size=0.2)

# 训练数据与測试数据的维度
print('train:', train_X.shape, train_y.shape)
print('test: ', test_X.shape, test_y.shape)

　　将数据的特征载入为data_X。将类别标签载入为data_y，一般的命名习惯是，使用大写的X表示特征是多维的，而用小写的y表示目标值为1维。

不同的命名习惯。比較符合人类以貌取人的特点，程序猿不仅是人。更是聪明的人，因此也有这种习惯。
　　载入完数据，使用sklearn自带的train_test_split方法将数据按0.8与0.2的比例进行划分。切分为训练数据train与測试数据test，并将特征与目标值分别命名为train_X、train_y与test_X、test_y。
　　其运行结果例如以下图所看到的。

建模与预測

　　准备好数据后，就能够从neighbors近邻类中导入kNN分类算法了，其代码例如以下所看到的：

%pyspark

from sklearn.neighbors import KNeighborsClassifier

# 构建knn模型
knn = KNeighborsClassifier(n_neighbors=3, n_jobs=-1)

# 拟合数据
knn.fit(train_X, train_y)

# 预測
preds = knn.predict(test_X)

print('knn model:', knn)
print('First 3 pred:',preds[:3])

　　通过使用两个自己定义參数n_neighbors（參考的近邻数）与n_jobs（使用的CPU核数）来导入KNeighborsClassifier模型。这样就生成了一个knn的模型。n_neighbors是knn中最重要的參数，能够通过交叉验证来设置一个合理的值。而n_jobs是sklearn中所有支持并行的算法都会支持的參数。sklearn中有非常多算法都能够将单台机器的所有CPU进行并行运算，设置为-1即是使用机器的所有CPU核，也能够设置成详细的数字值。
　　接着使用fit方法在训练数据上进行拟合。kNN是一个有监督的学习算法，因此在拟合数据的时候，须要将已知的类别标签train_y与特征train_X一起输入到模型中进行数据拟合。

　　模型在训练数据上完毕了拟合，便能够对測试数据进行预測了，使用predict方法来对測试的特征进行预測。由于是使用特征来预測其类别。此处自然不能传入測试数据的类别标签数据test_y。这个数据是在后面对模型进行评估时使用的。打印knn模型，会输出其用于构建的參数。也能够打印出预測的前三个值。例如以下图所看到的。

　　在上面的建模与预測过程中，sklearn的这样的简洁API方式已经成为现代机器学习库争相模仿的对象，就连Spark的ML库。也在学习这样的简洁的方式。能够说差点儿已经成为大众接受的标准方式了。

模型评估

　　评估一个模型的好坏是机器学习中很重要的任务。

否则，无法评价模型的好坏，也就无法更好地优化模型。归根究竟，全部的机器学习算法都是一堆数学运算，其预測的值与标准的值是能够进行数学上的对照的。在这一点上，与教育中所用的考试分数来评估一个人的能力不一样，也与公司中所用的KPI来考核一个人对公司的贡献是不一样的。

　　在分类算法中，通常的评价指标有精确率、召回率与F1-Score等几种。
　　前面构建的knn模型。本身也有一个score方法，能够对模型的好坏做一个初步评估。其使用的指标为F1-Score。当然，也能够使用sklearn中提供的很多其它的评价指标来评估模型。其代码例如以下所看到的：

%pyspark

from pprint import pprint

# 使用測试的特征与測试的目标值
print(knn.score(test_X, test_y))

from sklearn.metrics import precision_recall_fscore_support

# 打印出三个指标
scores = precision_recall_fscore_support(test_y, preds)
pprint(scores)

　　对每一个类别的数据都进行了精确率、召回率与F-beta Score的评估，其结果例如以下图所看到的。

模型持久化

　　辛辛苦苦训练好一个模型后，总希望后面能够直接使用。此时就必需要对模型进行持久化操作了。模型本身就是一个Python的对象。能够使用pickle的方式将模型转储到文件。但sklearn推荐使用其joblib接口，保存与载入模型都很easy：

import joblib

# 保存模型
joblib.dump(model, '/tmp/model.pkl')

# 载入模型
model = joblib.load('/tmp/model.pkl')

三个层次

　　前面已经演示了一个完整的使用sklearn来解决实际问题的样例，能够发现。假设仅仅是调用sklearn的API，确实不须要太复杂的理论知识。在学完上面的演示样例后，你也许都并不清楚kNN算法是怎样工作的。但学习是分层次的。
　　或许有的人觉得。仅仅会调用API来实现。并非真正会用机器学习了。确实。不理解kNN算法，就不清楚怎样进行算法的參数调优。但个人觉得，从sklearn入门机器学习是最好的途径。虽然你曾经全然没有接触过机器学习。
　　我所理解的。学习机器学习算法的三个层次例如以下所述。

1. 调用：知道算法的基本思想，能应用现有的库来做測试。简单说，就是了解kNN是做什么的，会调用sklearn中的kNN算法。
2. 调參：知道算法的主要影响參数，能进行參数调节优化。
3. 嚼透：理解算法的实现细节，而且能用代码实现出来。

上面三个层次是不是非常押韵呢，但不幸的是，有的人一上来就想达到第三个层次。于是刚開始就被怎样实现kNN算法吓到了，过不了三天就从入门到放弃了。
　　作为应用型的机器学习，能达到第三阶段固然好，但在实际应用中。建议能调用现有的库就直接调用好了。不理解的地方，能看懂源代码最好。不太建议自己从头实现，除非能力确实够了，否则写出来的代码并不能保证性能与准确性。
　　当然，从另外一个角度来说，尤其是在分布式环境下，机器学习还有另外三个层次，想知道的话，请见《全栈数据之门》一书。
　　本文选自《全栈数据之门》，点此链接可在博文视点官网查看此书。
　　　　　　　　　　　　　　　　　　　　
　　想及时获得很多其它精彩文章。可在微信中搜索“博文视点”或者扫描下方二维码并关注。
　　　　　　　　　　　　　　　　　　　　　　　

转载于:https://www.cnblogs.com/claireyuancy/p/7400999.html