使用的包
importmatplotlib.pyplot as pltimportpandas as pdimport numpy as np
from sklearn import datasets
获取数据
方式一 读取网页提供的数据:
df = pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data', header=None)
df.columns= ['d1', 'd2', 'd3', 'd4', 'd5']
X= df.iloc[:, [0, 3]].values # 取出2个特征,并把它们用Numpy数组表示
方式二 由于Iris是很有名的数据集,scikit-learn已经原生自带了
iris =datasets.load_iris()
X= iris.data[:, [0, 1, 2]] #1,2,3列
y = iris.target #结果集
方式三 scikit-learn随机数据生成
defget_data1():"""scikit-learn随机数据生成 make_regression生成回归模型数据
:return:"""
#X为样本特征,y为样本输出, coef为回归系数w,共100个样本,每个样本1个特征
#coef 默认为false true为线性模型
#noise 干扰 0为一条直线上的点
X, y, coef = datasets.make_regression(n_samples=100, n_features=1, noise=30, coef=True)#画图
plt.scatter(X, y, color='black')
plt.plot(X, X* coef, color='blue', linewidth=3)
plt.xticks()
plt.yticks()
plt.show()
defget_data2():"""scikit-learn随机数据生成 make_blobs生成聚类模型数据
:return:"""
#X为样本特征,Y为样本簇类别,
#共100个样本,每个样本2个特征,共3个簇,
#random_state 为具体数字表示每次生成的随机数不变
#簇中心
centers = [[1, 5], [2, 3], [5, 1]]#簇方差
cluster_std = [0.4, 0.3, 0.2]
X, y= datasets.make_blobs(n_samples=100, n_features=2, centers=centers, cluster_std=cluster_std, random_state=1)#画图 按照y区分颜色
plt.scatter(X[:, 0], X[:, 1], marker='o', c=y)
plt.xticks()
plt.yticks()
plt.show()
train_test_split
#from sklearn.cross_validation import train_test_split
from sklearn.model_selection importtrain_test_split
X_train, X_test, y_train, y_test= train_test_split(X, y, test_size=0.3, random_state=0)
train_test_split 随机划分训练集和测试集
参数解释:
train_data:所要划分的样本特征集
train_target:所要划分的样本结果
test_size:样本占比,如果是整数的话就是样本的数量
random_state:是随机数的种子。
随机数种子:其实就是该组随机数的编号,在需要重复试验的时候,保证得到一组一样的随机数。比如你每次都填1,其他参数一样的情况下你得到的随机数组是一样的。但填0或不填,每次都会不一样。
随机数的产生取决于种子,随机数和种子之间的关系遵从以下两个规则:种子不同,产生不同的随机数;种子相同,即使实例不同也产生相同的随机数。
数据转换 - 标准化
#标准化 -- 为了追求机器学习和最优化算法的最佳性能,我们将特征缩放
from sklearn.preprocessing importStandardScaler
sc=StandardScaler()
sc.fit(X_train)#估算每个特征的平均值和标准差
print(sc.mean_) #查看特征的平均值,由于Iris我们只用了两个特征,所以结果是array([ 3.82857143, 1.22666667])
print(sc.scale_) #查看特征的标准差,这个结果是array([ 1.79595918, 0.77769705])
X_train_std =sc.transform(X_train)#注意:这里我们要用同样的参数来标准化测试集,使得测试集和训练集之间有可比性
X_test_std = sc.transform(X_test)
X_combined_std = np.vstack((X_train_std, X_test_std))
y_combined = np.hstack((y_train, y_test))
感知器 - Perceptron
from sklearn.metrics importaccuracy_score#训练感知机模型
from sklearn.linear_model importPerceptron#n_iter:可以理解成梯度下降中迭代的次数
#eta0:可以理解成梯度下降中的学习率
#random_state:设置随机种子的,为了每次迭代都有相同的训练集顺序
ppn = Perceptron(max_iter=40, eta0=0.1, random_state=0)
ppn.fit(X_train_std, y_train)#分类测试集,这将返回一个测试结果的数组
y_pred =ppn.predict(X_test_std)#计算模型在测试集上的准确性,我的结果为0.9,还不错
print('训练结果的准确性:', accuracy_score(y_test, y_pred))
逻辑回归-LogisticRegression
from sklearn.linear_model importLogisticRegression
lr= LogisticRegression(C=1000.0, random_state=0)
lr.fit(X_train_std, y_train)
y_pred= lr.predict_proba(X_test_std) #查看第一个测试样本属于各个类别的概率
print(y_test)print(y_pred)print('训练结果的准确性:', metrics.accuracy_score(y_test, lr.predict(X_test_std)))
官方逻辑回归案例: