Python机器学习库scikit-learn实践

Python机器学习库scikit-learn实践

 

一、概述

       机器学习算法在近几年大数据点燃的热火熏陶下已经变得被人所“熟知”，就算不懂得其中各算法理论，叫你喊上一两个著名算法的名字，你也能昂首挺胸脱口而出。当然了，算法之林虽大，但能者还是有限，能适应某些环境并取得较好效果的算法会脱颖而出，而表现平平者则被历史所淡忘。随着机器学习社区的发展和实践验证，这群脱颖而出者也逐渐被人所认可和青睐，同时获得了更多社区力量的支持、改进和推广。

       以最广泛的分类算法为例，大致可以分为线性和非线性两大派别。线性算法有著名的逻辑回归、朴素贝叶斯、最大熵等，非线性算法有随机森林、决策树、神经网络、核机器等等。线性算法举的大旗是训练和预测的效率比较高，但最终效果对特征的依赖程度较高，需要数据在特征层面上是线性可分的。因此，使用线性算法需要在特征工程上下不少功夫，尽量对特征进行选择、变换或者组合等使得特征具有区分性。而非线性算法则牛逼点，可以建模复杂的分类面，从而能更好的拟合数据。

       那在我们选择了特征的基础上，哪个机器学习算法能取得更好的效果呢？谁也不知道。实践是检验哪个好的不二标准。那难道要苦逼到写五六个机器学习的代码吗？No，机器学习社区的力量是强大的，码农界的共识是不重复造轮子！因此，对某些较为成熟的算法，总有某些优秀的库可以直接使用，省去了大伙调研的大部分时间。

       基于目前使用python较多，而python界中远近闻名的机器学习库要数scikit-learn莫属了。这个库优点很多。简单易用，接口抽象得非常好，而且文档支持实在感人。本文中，我们可以封装其中的很多机器学习算法，然后进行一次性测试，从而便于分析取优。当然了，针对具体算法，超参调优也非常重要。

 

二、Scikit-learn的python实践

2.1、Python的准备工作

       Python一个备受欢迎的点是社区支持很多，有非常多优秀的库或者模块。但是某些库之间有时候也存在依赖，所以要安装这些库也是挺繁琐的过程。但总有人忍受不了这种繁琐，都会开发出不少自动化的工具来节省各位客官的时间。其中，个人总结，安装一个python的库有以下三种方法：

1）Anaconda

       这是一个非常齐全的python发行版本，最新的版本提供了多达195个流行的python包，包含了我们常用的numpy、scipy等等科学计算的包。有了它，妈妈再也不用担心我焦头烂额地安装一个又一个依赖包了。Anaconda在手，轻松我有！下载地址如下：http://www.continuum.io/downloads

2）Pip

       使用过Ubuntu的人，对apt-get的爱只有自己懂。其实对Python的库的下载和安装可以借助pip工具的。需要安装什么库，直接下载和安装一条龙服务。在pip官网https://pypi.python.org/pypi/pip下载安装即可。未来的需求就在#pip install xx 中。

3）源码包

       如果上述两种方法都没有找到你的库，那你直接把库的源码下载回来，解压，然后在目录中会有个setup.py文件。执行#python setup.py install 即可把这个库安装到python的默认库目录中。

2.2、Scikit-learn的测试

       scikit-learn已经包含在Anaconda中。也可以在官方下载源码包进行安装。本文代码里封装了如下机器学习算法，我们修改数据加载函数，即可一键测试：

[python] view plain copy

print ?

1. classifiers = {'NB':naive_bayes_classifier,   
2.                   'KNN':knn_classifier,  
3.                    'LR':logistic_regression_classifier,  
4.                    'RF':random_forest_classifier,  
5.                    'DT':decision_tree_classifier,  
6.                   'SVM':svm_classifier,  
7.                 'SVMCV':svm_cross_validation,  
8.                  'GBDT':gradient_boosting_classifier  
9.     }  

classifiers = {'NB':naive_bayes_classifier, 
                  'KNN':knn_classifier,
                   'LR':logistic_regression_classifier,
                   'RF':random_forest_classifier,
                   'DT':decision_tree_classifier,
                  'SVM':svm_classifier,
                'SVMCV':svm_cross_validation,
                 'GBDT':gradient_boosting_classifier
    }

train_test.py

[python] view plain copy

print ?

1. #!usr/bin/env python  
2. #-*- coding: utf-8 -*-  
3.   
4. import sys  
5. import os  
6. import time  
7. from sklearn import metrics  
8. import numpy as np  
9. import cPickle as pickle  
10.   
11. reload(sys)  
12. sys.setdefaultencoding('utf8')  
13.   
14. # Multinomial Naive Bayes Classifier  
15. def naive_bayes_classifier(train_x, train_y):  
16.     from sklearn.naive_bayes import MultinomialNB  
17.     model = MultinomialNB(alpha=0.01)  
18.     model.fit(train_x, train_y)  
19.     return model  
20.   
21.   
22. # KNN Classifier  
23. def knn_classifier(train_x, train_y):  
24.     from sklearn.neighbors import KNeighborsClassifier  
25.     model = KNeighborsClassifier()  
26.     model.fit(train_x, train_y)  
27.     return model  
28.   
29.   
30. # Logistic Regression Classifier  
31. def logistic_regression_classifier(train_x, train_y):  
32.     from sklearn.linear_model import LogisticRegression  
33.     model = LogisticRegression(penalty='l2')  
34.     model.fit(train_x, train_y)  
35.     return model  
36.   
37.   
38. # Random Forest Classifier  
39. def random_forest_classifier(train_x, train_y):  
40.     from sklearn.ensemble import RandomForestClassifier  
41.     model = RandomForestClassifier(n_estimators=8)  
42.     model.fit(train_x, train_y)  
43.     return model  
44.   
45.   
46. # Decision Tree Classifier  
47. def decision_tree_classifier(train_x, train_y):  
48.     from sklearn import tree  
49.     model = tree.DecisionTreeClassifier()  
50.     model.fit(train_x, train_y)  
51.     return model  
52.   
53.   
54. # GBDT(Gradient Boosting Decision Tree) Classifier  
55. def gradient_boosting_classifier(train_x, train_y):  
56.     from sklearn.ensemble import GradientBoostingClassifier  
57.     model = GradientBoostingClassifier(n_estimators=200)  
58.     model.fit(train_x, train_y)  
59.     return model  
60.   
61.   
62. # SVM Classifier  
63. def svm_classifier(train_x, train_y):  
64.     from sklearn.svm import SVC  
65.     model = SVC(kernel='rbf', probability=True)  
66.     model.fit(train_x, train_y)  
67.     return model  
68.   
69. # SVM Classifier using cross validation  
70. def svm_cross_validation(train_x, train_y):  
71.     from sklearn.grid_search import GridSearchCV  
72.     from sklearn.svm import SVC  
73.     model = SVC(kernel='rbf', probability=True)  
74.     param_grid = {'C': [1e-3, 1e-2, 1e-1, 1, 10, 100, 1000], 'gamma': [0.001, 0.0001]}  
75.     grid_search = GridSearchCV(model, param_grid, n_jobs = 1, verbose=1)  
76.     grid_search.fit(train_x, train_y)  
77.     best_parameters = grid_search.best_estimator_.get_params()  
78.     for para, val in best_parameters.items():  
79.         print para, val  
80.     model = SVC(kernel='rbf', C=best_parameters['C'], gamma=best_parameters['gamma'], probability=True)  
81.     model.fit(train_x, train_y)  
82.     return model  
83.   
84. def read_data(data_file):  
85.     import gzip  
86.     f = gzip.open(data_file, "rb")  
87.     train, val, test = pickle.load(f)  
88.     f.close()  
89.     train_x = train[0]  
90.     train_y = train[1]  
91.     test_x = test[0]  
92.     test_y = test[1]  
93.     return train_x, train_y, test_x, test_y  
94.       
95. if __name__ == '__main__':  
96.     data_file = "mnist.pkl.gz"  
97.     thresh = 0.5  
98.     model_save_file = None  
99.     model_save = {}  
100.       
101.     test_classifiers = ['NB', 'KNN', 'LR', 'RF', 'DT', 'SVM', 'GBDT']  
102.     classifiers = {'NB':naive_bayes_classifier,   
103.                   'KNN':knn_classifier,  
104.                    'LR':logistic_regression_classifier,  
105.                    'RF':random_forest_classifier,  
106.                    'DT':decision_tree_classifier,  
107.                   'SVM':svm_classifier,  
108.                 'SVMCV':svm_cross_validation,  
109.                  'GBDT':gradient_boosting_classifier  
110.     }  
111.       
112.     print 'reading training and testing data...'  
113.     train_x, train_y, test_x, test_y = read_data(data_file)  
114.     num_train, num_feat = train_x.shape  
115.     num_test, num_feat = test_x.shape  
116.     is_binary_class = (len(np.unique(train_y)) == 2)  
117.     print '******************** Data Info *********************'  
118.     print '#training data: %d, #testing_data: %d, dimension: %d' % (num_train, num_test, num_feat)  
119.       
120.     for classifier in test_classifiers:  
121.         print '******************* %s ********************' % classifier  
122.         start_time = time.time()  
123.         model = classifiers[classifier](train_x, train_y)  
124.         print 'training took %fs!' % (time.time() - start_time)  
125.         predict = model.predict(test_x)  
126.         if model_save_file != None:  
127.             model_save[classifier] = model  
128.         if is_binary_class:  
129.             precision = metrics.precision_score(test_y, predict)  
130.             recall = metrics.recall_score(test_y, predict)  
131.             print 'precision: %.2f%%, recall: %.2f%%' % (100 * precision, 100 * recall)  
132.         accuracy = metrics.accuracy_score(test_y, predict)  
133.         print 'accuracy: %.2f%%' % (100 * accuracy)   
134.   
135.     if model_save_file != None:  
136.         pickle.dump(model_save, open(model_save_file, 'wb'))  

#!usr/bin/env python
#-*- coding: utf-8 -*-

import sys
import os
import time
from sklearn import metrics
import numpy as np
import cPickle as pickle

reload(sys)
sys.setdefaultencoding('utf8')

# Multinomial Naive Bayes Classifier
def naive_bayes_classifier(train_x, train_y):
    from sklearn.naive_bayes import MultinomialNB
    model = MultinomialNB(alpha=0.01)
    model.fit(train_x, train_y)
    return model


# KNN Classifier
def knn_classifier(train_x, train_y):
    from sklearn.neighbors import KNeighborsClassifier
    model = KNeighborsClassifier()
    model.fit(train_x, train_y)
    return model


# Logistic Regression Classifier
def logistic_regression_classifier(train_x, train_y):
    from sklearn.linear_model import LogisticRegression
    model = LogisticRegression(penalty='l2')
    model.fit(train_x, train_y)
    return model


# Random Forest Classifier
def random_forest_classifier(train_x, train_y):
    from sklearn.ensemble import RandomForestClassifier
    model = RandomForestClassifier(n_estimators=8)
    model.fit(train_x, train_y)
    return model


# Decision Tree Classifier
def decision_tree_classifier(train_x, train_y):
    from sklearn import tree
    model = tree.DecisionTreeClassifier()
    model.fit(train_x, train_y)
    return model


# GBDT(Gradient Boosting Decision Tree) Classifier
def gradient_boosting_classifier(train_x, train_y):
    from sklearn.ensemble import GradientBoostingClassifier
    model = GradientBoostingClassifier(n_estimators=200)
    model.fit(train_x, train_y)
    return model


# SVM Classifier
def svm_classifier(train_x, train_y):
    from sklearn.svm import SVC
    model = SVC(kernel='rbf', probability=True)
    model.fit(train_x, train_y)
    return model

# SVM Classifier using cross validation
def svm_cross_validation(train_x, train_y):
    from sklearn.grid_search import GridSearchCV
    from sklearn.svm import SVC
    model = SVC(kernel='rbf', probability=True)
    param_grid = {'C': [1e-3, 1e-2, 1e-1, 1, 10, 100, 1000], 'gamma': [0.001, 0.0001]}
    grid_search = GridSearchCV(model, param_grid, n_jobs = 1, verbose=1)
    grid_search.fit(train_x, train_y)
    best_parameters = grid_search.best_estimator_.get_params()
    for para, val in best_parameters.items():
        print para, val
    model = SVC(kernel='rbf', C=best_parameters['C'], gamma=best_parameters['gamma'], probability=True)
    model.fit(train_x, train_y)
    return model

def read_data(data_file):
    import gzip
    f = gzip.open(data_file, "rb")
    train, val, test = pickle.load(f)
    f.close()
    train_x = train[0]
    train_y = train[1]
    test_x = test[0]
    test_y = test[1]
    return train_x, train_y, test_x, test_y
    
if __name__ == '__main__':
    data_file = "mnist.pkl.gz"
    thresh = 0.5
    model_save_file = None
    model_save = {}
    
    test_classifiers = ['NB', 'KNN', 'LR', 'RF', 'DT', 'SVM', 'GBDT']
    classifiers = {'NB':naive_bayes_classifier, 
                  'KNN':knn_classifier,
                   'LR':logistic_regression_classifier,
                   'RF':random_forest_classifier,
                   'DT':decision_tree_classifier,
                  'SVM':svm_classifier,
                'SVMCV':svm_cross_validation,
                 'GBDT':gradient_boosting_classifier
    }
    
    print 'reading training and testing data...'
    train_x, train_y, test_x, test_y = read_data(data_file)
    num_train, num_feat = train_x.shape
    num_test, num_feat = test_x.shape
    is_binary_class = (len(np.unique(train_y)) == 2)
    print '******************** Data Info *********************'
    print '#training data: %d, #testing_data: %d, dimension: %d' % (num_train, num_test, num_feat)
    
    for classifier in test_classifiers:
        print '******************* %s ********************' % classifier
        start_time = time.time()
        model = classifiers[classifier](train_x, train_y)
        print 'training took %fs!' % (time.time() - start_time)
        predict = model.predict(test_x)
        if model_save_file != None:
            model_save[classifier] = model
        if is_binary_class:
            precision = metrics.precision_score(test_y, predict)
            recall = metrics.recall_score(test_y, predict)
            print 'precision: %.2f%%, recall: %.2f%%' % (100 * precision, 100 * recall)
        accuracy = metrics.accuracy_score(test_y, predict)
        print 'accuracy: %.2f%%' % (100 * accuracy) 

    if model_save_file != None:
        pickle.dump(model_save, open(model_save_file, 'wb'))

四、测试结果

       本次使用mnist手写体库进行实验：http://deeplearning.net/data/mnist/mnist.pkl.gz。共5万训练样本和1万测试样本。

       代码运行结果如下：

[python] view plain copy

print ?

1. reading training and testing data...  
2. ******************** Data Info *********************  
3. #training data: 50000, #testing_data: 10000, dimension: 784  
4. ******************* NB ********************  
5. training took 0.287000s!  
6. accuracy: 83.69%  
7. ******************* KNN ********************  
8. training took 31.991000s!  
9. accuracy: 96.64%  
10. ******************* LR ********************  
11. training took 101.282000s!  
12. accuracy: 91.99%  
13. ******************* RF ********************  
14. training took 5.442000s!  
15. accuracy: 93.78%  
16. ******************* DT ********************  
17. training took 28.326000s!  
18. accuracy: 87.23%  
19. ******************* SVM ********************  
20. training took 3152.369000s!  
21. accuracy: 94.35%  
22. ******************* GBDT ********************  
23. training took 7623.761000s!  
24. accuracy: 96.18%  

reading training and testing data...
******************** Data Info *********************
#training data: 50000, #testing_data: 10000, dimension: 784
******************* NB ********************
training took 0.287000s!
accuracy: 83.69%
******************* KNN ********************
training took 31.991000s!
accuracy: 96.64%
******************* LR ********************
training took 101.282000s!
accuracy: 91.99%
******************* RF ********************
training took 5.442000s!
accuracy: 93.78%
******************* DT ********************
training took 28.326000s!
accuracy: 87.23%
******************* SVM ********************
training took 3152.369000s!
accuracy: 94.35%
******************* GBDT ********************
training took 7623.761000s!
accuracy: 96.18%

       在这个数据集中，由于数据分布的团簇性较好（如果对这个数据库了解的话，看它的t-SNE映射图就可以看出来。由于任务简单，其在deep learning界已被认为是toy dataset），因此KNN的效果不赖。GBDT是个非常不错的算法，在kaggle等大数据比赛中，状元探花榜眼之列经常能见其身影。三个臭皮匠赛过诸葛亮，还是被验证有道理的，特别是三个臭皮匠还能力互补的时候！

       还有一个在实际中非常有效的方法，就是融合这些分类器，再进行决策。例如简单的投票，效果都非常不错。建议在实践中，大家都可以尝试下。