scikit-learn 使用指南

机器学习：问题设定

一般来说，机器学习问题可以这样来理解：我们有n个 样本 (sample)的数据集，想要预测未知数据的属性。如果描述每个样本的数字不只一个，比如一个多维的条目（也叫做 多变量数据 (multivariate data)），那么这个样本就有多个属性或者 特征 。

我们可以将学习问题分为以下几类：

• 有监督学习(unsupervised learning)是指数据中包括了我们想预测的属性，有监督学习问题有以下两类：

•  分类（classification）:样本属于两个或多个类别，我们希望通过从已标记类别的数据学习，来预测未标记数据的分类。例如，识别手写数字就是一个分类问题，其目标是将每个输入向量对应到有穷的数字类别。从另一种角度来思考，分类是一种有监督学习的离散（相对于连续）形式，对于n个样本，一方有对应的有限个类别数量，另一方则试图标记样本并分配到正确的类别。

•  回归(regression):如果希望的输出是一个或多个连续的变量，那么这项任务被称作回归，比如用年龄和体重的函数来预测三文鱼的长度。

• 无监督学习(unsupervised learning)的训练数据包括了输入向量X的集合，但没有相对应的目标变量。这类问题的目标可以是发掘数据中相似样本的分组，被称作聚类(Clustering)；也可以是确定输入样本空间中的数据分布，被称作密度估计（density estimation）;还可以是将数据从高维空间投射到两维或三维空间，以便进行数据可视化。这里是Scikit-Learn的无监督学习主页。

加载样例数据集

scikit-learn有一些标准数据集，比如用于分类的 iris 和 digits 数据集，和用于回归的波士顿房价 (boston house prices)数据集。

下面，我们会用shell里的Python解释器来加载iris和digits数据集。$表示shell提示符，>>>表示Python解释器提示符：

$ python
  >>> from sklearn import datasets
  >>> iris = datasets.load_iris()
  >>> digits = datasets.load_digits()

数据集类似字典对象，包括了所有的数据和关于数据的元数据（metadata）。数据被存储在.data成员内，是一个n_samples*n_features的数组。在有监督问题的情形下，一个或多个因变量（response variables）被储存在.target成员中。有关不同数据集的更多细节可以在 这里 被找到。

例如，在digits数据集中，digits.data是可以用来分类数字样本的特征：

>>> print(digits.data)  # doctest: +NORMALIZE_WHITESPACE
  [[  0.   0.   5. ...,   0.   0.   0.]
   [  0.   0.   0. ...,  10.   0.   0.]
   [  0.   0.   0. ...,  16.   9.   0.]
   ...,
   [  0.   0.   1. ...,   6.   0.   0.]
   [  0.   0.   2. ...,  12.   0.   0.]
   [  0.   0.  10. ...,  12.   1.   0.]]

digits.target给出了digits数据集的真实值，即每个数字图案对应的我们想预测的真实数字：

>>> digits.target
  array([0, 1, 2, ..., 8, 9, 8])

数据数组的形式数据是一个2维n_samples*n_features的数组，尽管原始数据集可能会有不同的形式。在digits数据集中，每个原始样本是一个8*8的数组，可以用以下方式访问：

>>> digits.images[0]
    array([[  0.,   0.,   5.,  13.,   9.,   1.,   0.,   0.],
      [  0.,   0.,  13.,  15.,  10.,  15.,   5.,   0.],
      [  0.,   3.,  15.,   2.,   0.,  11.,   8.,   0.],
      [  0.,   4.,  12.,   0.,   0.,   8.,   8.,   0.],
      [  0.,   5.,   8.,   0.,   0.,   9.,   8.,   0.],
      [  0.,   4.,  11.,   0.,   1.,  12.,   7.,   0.],
      [  0.,   2.,  14.,   5.,  10.,  12.,   0.,   0.],
      [  0.,   0.,   6.,  13.,  10.,   0.,   0.,   0.]])

这个简单的例子 说明了如何从原始问题里将数据形式化，以便scikit-learn使用。

学习和预测

在digits数据集中，我们的任务是给定一个图案，预测其表示的数字是什么。我们的样本有10个可能的分类（数字0到9)，我们将匹配一个 预测器 (estimator)来 预测(predict)未知样本所属的分类。

在scikit-learn中，分类的预测器是一个Python对象，来实现fit(X, y)和predict(T)方法。

下面这个预测器的例子是classsklearn.svm.SVC，实现了 支持向量机分类 。创建分类器需要模型参数，但现在，我们暂时先将预测器看作是一个黑盒：

>>> from sklearn import svm
  >>> clf = svm.SVC(gamma=0.001, C=100.)

选择模型参数

在这个例子里我们手动设置了gamma值。可以通过这些工具例如 网格搜索 （grid search）和 交叉验证 （cross validation）来自动找到参数的最佳取值。

给预测器取个名字叫做clf（claasifier）。现在预测器必须来 匹配 （fit）模型，也就是说，它必须从模型中 学习 （learn）。这个过程是通过将训练集传递给fit方法来实现的。我们将除了最后一个样本的数据全部作为训练集。通过Python语法[:-1]来选择训练集，这会生成一个新的数组，包含了除最后一个条目的digits.data：

>>> clf.fit(digits.data[:-1], digits.target[:-1])  # doctest: +NORMALIZE_WHITESPACE
  SVC(C=100.0, cache_size=200, class_weight=None, coef0=0.0, degree=3,
    gamma=0.001, kernel='rbf', max_iter=-1, probability=False,
    random_state=None, shrinking=True, tol=0.001, verbose=False)

现在你可以预测新值了，具体来说，我们可以询问分类器，digits数据集里最后一个图案所代表的数字是什么，我们并没有用最后一个数据来训练分类器。

>>> clf.predict(digits.data[-1])
  array([8])

最一个图案如下：

如你所见，这项任务很具有挑战性：这个图案的分辨率很差。你能和分类器得到一致结果吗？

一个更复杂的分类问题的例子在这里: 识别手写数字 （Recognizing hand-written digits），供学习参考。

模型持久性（Model persistence）

可以采用Python内建的持久性模型 pickle 来保存scikit的模型:

>>> from sklearn import svm
  >>> from sklearn import datasets
  >>> clf = svm.SVC()
  >>> iris = datasets.load_iris()
  >>> X, y = iris.data, iris.target
  >>> clf.fit(X, y)  # doctest: +NORMALIZE_WHITESPACE
  SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0,
    kernel='rbf', max_iter=-1, probability=False, random_state=None,
    shrinking=True, tol=0.001, verbose=False)

  >>> import pickle
  >>> s = pickle.dumps(clf)
  >>> clf2 = pickle.loads(s)
  >>> clf2.predict(X[0])
  array([0])
  >>> y[0]
  0

在scikit的特定情形下，用joblib’s来代替pickle（joblib.dump&joblib.load）会更吸引人，在大数据下效率更高，但只能pickle到磁盘而不是字符串：

>>> from sklearn.externals import joblib
  >>> joblib.dump(clf, 'filename.pkl') # doctest: +SKIP

你可以在之后重新加载pickled模型（可以在另一个Python程序里）：

>>> clf = joblib.load('filename.pkl') # doctest:+SKIP

注意：joblib.dump返回一个文件名列表。每个包含在clf对象中独立的numpy数组是在文件系统中是按顺序排列的一个独立文件。当用joblib.load重新加载模型时，所有文件必须在同一个目录下。