【机器学习】监督学习样本数据集

分类与回归

• 分类
  • 目标：预测类别标签，标签来自预定义的可选列表
  • 分类问题
    • 二分类（两个类别之间进行区分的一种特殊情况）
      • 正类
      • 反类
    • 多分类（两个以上的类别之间进行区分）
• 回归
  • 目标：预测一个连续值——浮点数/实数
  • 例子：
    • 根据教育水平、年龄和居住地来预测一个人的年收入，这就是回归的一个例子。在预测收入时，预测值是一个金额（amount），可以在给定范围内任意取值。
    • 根据上一年的产量、天气和农场员工数等属性来预测玉米农场的产量。同样，产量也可以取任意数值。

区分分类任务和回归任务有一个简单方法，就是问一个问题：输出是否具有某种连续性。如果在可能的结果之间具有连续性，那么它就是一个回归问题。
与此相反，对于识别网站语言的任务（这是一个分类问题）来说，并不存在程度问题。网站使用的要么是这种语言，要么是那种语言。在语言之间不存在连续性，在英语和法语之间不存在其他语言。

泛化、过拟合与欠拟合

如果一个模型能够对没有见过的数据进行准确预测，我们就说它能够从训练集泛化
到测试集。我们需要构建一个泛化精度尽可能高的模型

如果在拟合模型的时候过分关注训练集的细节，得到了一个在训练集上表现很好，但不能泛化到新数据上的模型，那么就存在过拟合。
如果模型过于简单，可能无法抓住数据的全部内容以及数据中的变化，在训练集上的表现就很差，被称为欠拟合
我们的模型越复杂，在训练数据上的预测结果就越好。但是，如果我们的模型过于复杂，我们开始过多的关注训练集上每个单独的数据点，模型就不能很好的泛化到新数据上。
二者之间存在一个最佳位置，可以得到最好的泛化性能，这就是我们想要的模型。

模型复杂度与数据集大小的关系
模型复杂度与训练数据集中输入的变化密切相关：数据集中包含的数据点的变化范围越大，在不发生过拟合的前提下你可以使用的模型就越复杂。
通常来说，收集更多的数据点可以有更大的变化范围，所以更大的数据集可以用来构建更复杂的模型。但是，仅复制相同的数据点或收集非常相似的数据是无济于事的。
收集更多数据，适当构建更复杂的模型，对监督学习任务往往特别有用。

监督学习算法

一些样本数据集

1. 二分类 - forge数据集

一个模拟的二分类数据集示例是forge数据集，它有两个特征。下列代码将绘制一个散点图（图2-2），将此数据集的所有数据点可视化。图像以第一个特征为x轴，第二个特征为y轴。正如其他散点图那样，每个数据点对应图像中的一点。每个点的颜色和形状对应其类别：

import mglearn as mglearn
import matplotlib.pyplot as plt

X, y = mglearn.datasets.make_forge()

mglearn.discrete_scatter(X[:, 0], X[:, 1], y)
plt.legend(["Class 0", "Class 1"], loc = 4)
plt.xlabel("First feature")
plt.ylabel("Second feature")
print("X.shape: {}".format(X.shape))

plt.show()
--------------------------------------
X.shape: (26, 2)

从X.shape可以看出，这个数据集包含26个数据点和2个特征。

2. 回归算法 - Wave数据集

我们用模拟的wave数据集来说明回归算法。wave数据集只有一个输入特征和一个连续的目标变量（或响应），后者是模型想要预测的对象。下面绘制的图像中单一特征位于x轴，回归目标（输出）位于y轴：

import mglearn as mglearn
import matplotlib.pyplot as plt

X, y = mglearn.datasets.make_wave(n_samples = 40)
plt.plot(X, y, 'o')
plt.ylim(-3, 3)
plt.xlabel("Feature")
plt.ylabel("Target")
plt.show()

我们之所以使用这些非常简单的低维数据集，是因为它们的可视化非常简单——书页只有两个维度，所以很难展示特征数超过两个的数据。从特征较少的数据集（也叫低维数据集）中得出的结论可能并不适用于特征较多的数据集（也叫高维数据集）

3. 分类 - cancer数据集

威斯康星州乳腺癌数据集（简称cancer），里面记录了乳腺癌肿瘤的临床测量数据。每个肿瘤都被标记为“良性”（benign，表示无害肿瘤）或“恶性”（malignant，表示癌性肿瘤），其任务是基于人体组织的测量数据来学习预测肿瘤是否为恶性。

from sklearn.datasets import load_breast_cancer
cancer = load_breast_cancer()


print("\ncancer.keys(): \n{}".format(cancer.keys()))

-------------------------------------------------------------
cancer.keys(): 
dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename', 'data_module'])

包含在scikit-learn中的数据集通常被保存为Bunch对象，里面包含真实数据以及一些数据集信息。关于Bunch对象，你只需要知道它与字典很相似，而且还有一个额外的好处，就是你可以用点操作符来访问对象的值（比如用bunch.key来代替bunch[‘key’]）。

# 包含569个数据点，每个数据点有30个特征
print("\nshape of cancer data:{}".format(cancer.data.shape))
# 在569个数据点中，212个被标记为恶性，357个良性
print("\nSample counts per class: \n{}".format(
    {n: v for n, v in zip(cancer.target_names, np.bincount(cancer.target))}
))

-----------------------------------
shape of cancer data:(569, 30)

Sample counts per class: 
{'malignant': 212, 'benign': 357}

4. 回归 - boston数据集

波士顿房价数据集。与这个数据集相关的任务是，利用犯罪率、是否邻近查尔斯河、公路可达性等信息，来预测20世纪70年代波士顿地区房屋价格的中位数。这个数据集包含506个数据点和13个特征：

from sklearn.datasets import load_boston
boston = load_boston()
print("Data shape: {}".format(boston.data.shape))
----------------------
Data shape: (506, 13)

对于我们的目的而言，我们需要扩展这个数据集，输入特征不仅包括这13个测量结果，还包括这些特征之间的乘积（也叫交互项）。换句话说，我们不仅将犯罪率和公路可达性作为特征，还将犯罪率和公路可达性的乘积作为特征。像这样包含导出特征的方法叫作特征工程（feature engineering）
这个导出的数据集可以用load extended boston函数加载：

X, y = mglearn.datasets.load_extended_boston()
print("X.shape: {}".format(X.shape))
-----------------------------
X.shape: (506, 104)