分类算法–k-近邻算法
定义:如果一个样本在特征空间中的k个最相似(即特征空间中最临近)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。
k-近邻算法需要做标准化
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algroithm=“auto”)
n_neighbors:int 可选,(默认=5),k+neighbors查询默认使用的邻居数
algorithm:{‘quto’,‘ball_tree’,‘kd_tree’,‘brute’},可选用与计算帋邻居的算法;‘ball_tree’将会使用BallTree,'kd_tree’将使用KDTree。‘auto’将尝试根据传递给fit方法方法的值来决定最合适的算法。(不同实现方式影响效率)
练习思路:
分类:特征值:x,y坐标,定位准确性,年,日,时,轴 目标值:入住位置的Id
处理:
1.由于数据量大、节省时间x,y缩小
2.时间戳进行(年,月,日,轴,时分秒)pd.to_datatime,当做新的特征
3.几千~几万,少于指定签到人数的位置删除
from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
from sklearn.preprocessing import StandardScaler
def knncls():
'''k_近邻预测用户签到位置:retirm:None
'''
##读取数据
data=pd.read_csv()
print(data(10))
##处理数据
##1缩小数据范围,查询数据筛选
data=data.query('x>1.0&x<1.25&y>205%y<2.75') ##类似一个查询语句,字符换
##2处理时间的数据
time_value=pd.to_datetime(data['time',unit='s'])
print(time_value)
#把日期格式转换成字典模式
time_value=pd.DatetimeIndex(time_value)
##构造一些特征
data['data']=time_value.day
data['hour']=time_value.hour
data['weekday']=time_value.weekday
##把时间戳特征删除
data.drop(data['time'],axis=1) #pandas1为列 sklearn 0为列
print(data)
##把签到数量少于n个目标位置删除
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
y=data['place_id']
x=data.drop([place_id],axis=1)
##进行数据分割,将数据分成数据集和测试集
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)
##
##特征工程(标准化)
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)
x_test=std.transform(x_test)
#进行算法流程
knn=KNeighborsClassifier(n_neighbors=5)
#fit,predict,score
knn.fit=(x_train,x_test)
##得出预测结果
y_predict=knn.predict(x_test)
print("预测目标签到位置:",y_test)
##得出准确率
print("预测准确率:",knn.score(x_test,y_test))
return None
if __name__ == "__main__":
knncls()
总结:
1.k值取多大?有什么影响?
k值取很小:受异常点影响
k值取很大:容易手k值数量(类别)波动
2.性能问题:
使用场景:小数据场景,几千几万样本。
优点:无需估计参数,无需训练
缺点:计算量大,内存开销大
必须指定k值,k值选择不当则分类精度不能保证
分类算法-朴素贝叶斯算法
1.朴素贝叶斯:特征独立
朴素贝叶斯公式:
训练集:
如果某一概率出现0,可加一个拉普拉斯平滑系数进行平滑。
sklearn朴素贝叶斯实现API
sklearn.naive_bayes.MultinomialNB:
sklearn.naive_bayes.MultinomialNB(alpha=1.0)
alpha:拉普拉斯平滑系数
流程:
1.加载20类新闻数据,并进行分割
2.生成文章特征词
3.朴素贝叶斯estimator流程进行预估
训练集误差大,结果不好,不需要调参数
def naviebayes():
'''朴素贝叶斯进行文本分类
::return:None'''
#加载数据
news=fetch_20newsgroups(subset='all')
##进行数据分割
x_train,x_test,y_train,y_test=train_test_split(news.data,news.target,test_size=0.25)
##对数据集进行特征提取
tf=TfidfVectorizer()
##以训练集当中的词的列表进行每篇文章重要性统计
x_train=tf.fit_transform(x_train)
print(tf.get_feature_names())
x_test=tf.fit_transformx(x_test)
##进行朴素贝叶斯算法的预测
mlt=MultinomialNB(alpha=1.0)
print(x_train.toarray())
mlt.fit(x_train,y_train)
y_predict=mlt.predict(x_test)
print('预测文章的类别为:',y_predict)
##得出准确率
print('准确率为:'mlt.score(x_test,y_test))
return None
if __name__ == "__main__":
naviebayes()
优点:有稳定的分类效率
对缺失数据不太敏感,算法比较简单,常用于文本分类
分类准确度高,速度快
缺点:
使用了样本属性独立性的假设,如果样本属性有关联效果不好。
分类模型的评估
1.estimator.score() 一般常见使用的是准确率,即预测结果正确的百分比
2.混淆矩阵:
精确率:预测结果为正例样本中真是为正例的比例(查的准),用得少
召回率:真实为正例的样本找那个预测结果为正例的比例(查的全,对正样本的区分能力)
其他分类标准
F1-score:
分类模型评估API
sklearn.metrics.classification_report
sklearn.metrics.classification_report(y_true,y_pred,target_names=None)
sklearn.metrics.classification_report(y_true,y_pred,target_names=None)
y_true:真实目标值
y_pred:估计器预测目标值
target_names:目标类别名称
return:每个类别精确率与召回率
print('每个类别的精确率和召回率',classification_report(y_test,y_predict,target_names=news.target_names))
模型选择与调优
1.交叉验证
为了让被评估的模型更加准确可信
训练集和验证集
2.网格搜索
调参数
sklearn.model_selection.GridSearchCV(estimator,para,grid=None,cv=None)
对估计器的指定参数值进行详尽搜索
estimator:估计器对象
param_grid:估计器参数(dict){‘n_neighbors’:[1,3,5]}
cv:指定几折交叉验证
fit:输入训练数据
score:准确率
结果分析:
best_score:在交叉验证中验证的最好结果
best_estimator:最好的参数模型
cv_results_:每次交叉验证后的测试集准确率结果和验证集和训练集准确率结果
def knncls():
'''k_近邻预测用户签到位置:retirm:None
'''
##读取数据
data=pd.read_csv()
print(data(10))
##处理数据
##1缩小数据范围,查询数据筛选
data=data.query('x>1.0&x<1.25&y>205%y<2.75') ##类似一个查询语句,字符换
##2处理时间的数据
time_value=pd.to_datetime(data['time',unit='s'])
print(time_value)
#把日期格式转换成字典模式
time_value=pd.DatetimeIndex(time_value)
##构造一些特征
data['data']=time_value.day
data['hour']=time_value.hour
data['weekday']=time_value.weekday
##把时间戳特征删除
data.drop(data['time'],axis=1) #pandas1为列 sklearn 0为列
print(data)
##把签到数量少于n个目标位置删除
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
y=data['place_id']
x=data.drop([place_id],axis=1)
##进行数据分割,将数据分成数据集和测试集
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)
##
##特征工程(标准化)
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)
x_test=std.transform(x_test)
# #进行算法流程#超参数
# knn=KNeighborsClassifier(n_neighbors=5) 进行网格搜索时不需要再自己设置超参数
knn = KNeighborsClassifier()
# #fit,predict,score
# knn.fit=(x_train,x_test)
# ##得出预测结果
# y_predict=knn.predict(x_test)
# print("预测目标签到位置:",y_test)
# ##得出准确率
# print("预测准确率:",knn.score(x_test,y_test))
##进行网格搜索
##构造一些参数的值进行搜索
param={'n_neighbors':[3,5,10]}
gc=GridSearchCV(knn,param_grid=param,cv=2)
gc.fit(x_train,y_train)
#预测准确率
print('在测试集上的准确率',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 None