1、sklearn数据集与估计器
2、分类算法-k近邻算法
3、k-近邻算法实例
4、分类模型的评估
5、分类算法-朴素贝叶斯算法
6、朴素贝叶斯算法实例
7、模型的选择与调优
8、决策树与随机森林
1、sklearn数据集与估计器
数据集的划分
数据的训练模型和评估模型不能用同一个数据集，所以要把数据划成两部分：
75%：25%是经验后比较好的数据集的划分
训练集用来建立模型；测试集用来评估模型。不同的算法评估的模型方法会不一样。
机器学习一般的数据集会划分为两个部分：
训练数据：用于训练，构建模型
测试数据：在模型检验时使用，用于评估模型是否有效
sklearn数据集划分API
sklearn.model_selection.train_test_split
scikit-learn数据集API介绍
数的第一个参数是data_home，表示数据集
下载的目录,默认是 ~/scikit_learn_data/
获取数据集返回的类型
numpy.ndarray 数组
from sklearn.datasets import load_iris
li = load_iris()
print("获取特征值")
print(li.data)
print("目标值")
print(li.target)
print(li.DESCR)sklearn.datasets里面有各种比较小的数据包
结果：
（1）
data：特征数据数组，是 [n_samples * n_features] 的二维numpy.ndarray 数组
•target：标签数组，是 n_samples 的一维 numpy.ndarray 数组
（3）DESCR：数据描述
分别是特征名和标签名
数据集进行分割
from sklearn.model_selection import train_test_split
#注意返回值, 训练集 train x_train, y_train 测试集 test x_test, y_test
x_train, x_test, y_train, y_test = train_test_split(li.data, li.target, test_size=0.25)
print("训练集特征值和目标值：", x_train, y_train)
print("测试集特征值和目标值：", x_test, y_test)（1）从sklearn的模型选择库里面取分割的方法
（2）返回值有4种，按顺序分别是训练集特征值和目标值，测试集特征值和目标值
（3）test_size参数为测试集的占比，根据经验0.25为最优
用于分类的大数据集
训练集的“训练”，测试集的“测试”，两者的“全部”
from sklearn.datasets import fetch_20newsgroups
news = fetch_20newsgroups(subset='all')
print(news.data)
print(news.target)
一般选择all，下载完后再train_test_split
结果：
回归数据集
操作方法也同分类的特征值和目标值，只是其为连续型数据
from sklearn.datasets import load_iris, fetch_20newsgroups, load_boston
lb = load_boston()
print("获取特征值")
print(lb.data)
print("目标值")
print(lb.target)
print(lb.DESCR)结果：
描述特征：
1.2估计器
转换器实现了特征工程：
fit_transform()：输入数据，直接转换,等于fit()+transform()
fit():输入数据，但不做事情（但计算平均值、方差等）
transform():进行数据的转换
fit_transform()一般使用就使用这个。
而估计器实现了算法：
sklearn机器学习算法的实现-估计器
在sklearn中，估计器(estimator)是一个重要的角色，分类器和回归器都属于estimator，是一类实现了算法的API
1、用于分类的估计器：
2、用于回归的估计器：
3.聚类
每个算法API当中的参数，需要掌握，也是机器学习的门槛。
第一步：调用fit(x_train,y_train)，训练集和测试集中的特征值
第二步：输入训练集和测试集中的目标值
第三步：估计器估计
第四步：预测y_predict
第五步：检验模型的精度，score(x_test,y_test)
具体算法阶段：
2、分类算法-k近邻算法
离散型数据
K近邻算法：哪个邻居离你最近，你就是哪里
分类算法-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，则该样本也属于这个类别。
来源：KNN算法最早是由Cover和Hart提出的一种分类算法
欧式距离
相似的样本，特征之间的值应该都是相近的。
K近邻算法是需要进行标准化处理的，否则某一维度数据过大，影响最后的结果
sklearn k-近邻算法API
•sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
分类问题
特征值：x，y坐标，定位准确性，时间戳
目标值：入住位置的ID
处理：
1.由于数据太大，便于处理，要进行数据缩小，节省时间
0<x<10,0<y<10
2.时间戳进行（年，月，日，周，时分秒）处理，当做新的特征。（看情况，不一定需要处理）
于是特征值：x，y坐标，定位准确性，日，时，周当做新特征。——是否合适，还需要看最后检验。
3.几千~几万，少于指定签到人数的位置删除
1、缩小数据集范围
DataFrame.query()
2、处理日期数据
pd.to_datetime
pd.DatetimeIndex
3、增加分割的日期数据
4、删除没用的日期数据
pd.drop
5、将签到位置少于n个用户的删除
place_count =data.groupby('place_id').aggregate(np.count_nonzero)
分组后得到的结果类似如下，对哪一个字段进行分组，哪一个字段就成为id
这id不在数据数组中，不能猎取，故得使用下一步方法：
tf = place_count[place_count.row_id > 3].reset_index()
结果类似如下图，以data数据为基础，新建了一个tf对象，reset_index()相当于是把原来的aisle_id提取出来作为数组，并重新编号id
根据筛选之后的id，只取data中适合的部分
data = data[data['place_id'].isin(tf.place_id)]
结果类似如下：
训练集和测试集的特征值需要标准化，目标值不用
def knncls():
"""
K-近邻预测用户签到位置
:return:None
"""
# 读取数据
data = pd.read_csv("./data/FBlocation/train.csv")
# print(data.head(10))
# 处理数据
# 1、缩小数据,查询数据筛选
#用query（）的方法进行，()内是引号，条件并列用&连接起来
data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")
# 处理时间的数据,变成常见的时间格式，原来的数据是整数形式，记录的是1970.01.01.00起的以秒计数的整数
#to_datetime()进行转换
#生成了一列同data一样顺序的time_value表
time_value = pd.to_datetime(data['time'], unit='s')
print(time_value)
# 把日期格式转换成 字典格式
time_value = pd.DatetimeIndex(time_value)
# 构造一些特征
#data新增加列
data['day'] = time_value.day
data['hour'] = time_value.hour
data['weekday'] = time_value.weekday
# 把时间戳特征删除
data = data.drop(['time'], axis=1)
print(data)
# 把签到数量少于n个目标位置删除（参见代码段外的解释）
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)]
# 取出数据当中的特征值和目标值
#目标值
y = data['place_id']
#特征值，删除目标值后就是特征值
x = data.drop(['place_id'], axis=1)
# 进行数据的分割训练集合测试集，注意返回数据的格式
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
# 特征工程（标准化），生成std实例
std = StandardScaler()
# 对测试集和训练集的特征值进行标准化
x_train = std.fit_transform(x_train)#对于std实例，一步到位输入与转换
#std实例中，已经有了x_train的平均值和标准差，所以，不用再fit()或者fit_transform(),否则标准又变了。
x_test = std.transform(x_test)
# 进行算法流程 # 超参数
#需要对n_nerghbors参数调整，调参
knn = KNeighborsClassifier()
# # fit， predict,score
# knn.fit(x_train, y_train)
#
# # 得出预测结果
# y_predict = knn.predict(x_test)
#
# print("预测的目标签到位置为：", y_predict)
#
# # 得出准确率
# print("预测的准确率:", knn.score(x_test, y_test))
# 构造一些参数的值进行搜索
param = {"n_neighbors": [3, 5, 10]}
# 进行网格搜索
gc = GridSearchCV(knn, param_grid=param, cv=2)
gc.fit(x_train, y_train)
# 预测准确率
print("在测试集上准确率：", gc.score(x_test, y_test))
print("在交叉验证当中最好的结果：", gc.best_score_)
print("选择最好的模型是：", gc.best_estimator_)
print("每个超参数每次交叉验证的结果：", gc.cv_results_)
return NoneKNN算法总结：
1、k值取多大？有什么影响？
k值取很小：容易受异常点影响
k值取很大：容易受最近数据太多导致比例变化
2、性能问题
需要N个样本计算距离
需要调参：n_nerghbors，设置不同的值
512
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
