Python机器学习【一】 - Hello World

Python机器学习【一】 - Hello World

原文地址：Python机器学习【一】 - Hello World

网上关于Python机器学习的教程很多，但是一直没有找到适合自己口味的Hello World级别的教程，导致一段时间学习的东西比较杂乱，每个知识点好像都明白，但就是不知如何下手写第一个示例，写程序都应该经历过有些功能实现从一脸茫然到豁然开朗可能就在一瞬间。

一、前期准备

• Python
• 机器学习相关专业名词
• sklearn库
• K近邻算法

python

必备语言

机器学习

计算机通过观察数据自动学会数据处理的规则，这些规则随后可应用于新的数据，并使计算机自主生成答案。

sklearn库

scikit-learn简称sklearn，支持包括分类，回归，降维和聚类四大机器学习算法，还包括了特征提取，数据处理和模型评估者三大模块，是Python重要的机器学习库。

K近邻算法

k近邻算法是一种基本分类和回归方法

K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。

二、Hello World目标

有150个鸢尾花数据样本，每个样本采样花萼长度、花萼宽度、花瓣长度、花瓣宽度4个特征，鸢尾花分为山鸢尾（iris-setosa）、变色鸢尾（iris-versicolor）和维吉尼亚鸢尾（iris-virginica）三种类型。已知150个样本中，三种类型各占50个，把105（70%）个数据样本作为训练数据，经过训练模型、模型评估，预测剩余45（30%）个数据样本的类型，并将预测结果相关分析指标展示出来（准确率、召回率等）。

三、实现步骤

1. 安装sklearn

pip install -U scikit-learn

2. Python实现

机器学习一般流程：获取数据 -> 数据预处理 -> 训练模型 -> 模型评估 -> 预测，分类

• 获取数据

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import classification_report

# 获取鸢尾花数据集，sklearn库提供
iris = datasets.load_iris()
# 共150个样本，每个样本有4个特征值
print("数据规模", iris.data.shape) # (150, 4)

• 数据预处理

"""
将训练集和测试集分开，测试集占30%
Params: 
    iris.data: 数据集的特征值  
    iris.target：数据集的目标值
    test_size=0.3：测试集的大小
Returns:
    x_train：训练集的特征值
    y_train：训练集的目标值
    x_test：测试集的特征值
    y_test：测试集的目标值

示例：
特征值
[[7.7 2.6 6.9 2.3], [6.0 2.7 5.1 1.6]] 即 [花萼长度 花萼宽度 花瓣长度 花瓣宽度]...
对应目标值
[2 1] 即 [维吉尼亚鸢尾 变色鸢尾]
"""
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3)

• 训练模型

"""
创建一个K近邻模型
Params:
    weights: uniform：不考虑权重，distance 考虑权重
"""
knn = KNeighborsClassifier(weights='uniform')
# 输入训练数据进行学习建模
knn.fit(x_train, y_train)

• 模型评估

# 对测试数据进行预测
y_predict = knn.predict(x_test)
# 准确率
score = knn.score(x_test, y_test)
print("准确率：%s" % score)
print("其他指标:\n", classification_report(y_test, y_predict, target_names=iris.target_names))

#               precision    recall  f1-score   support
#
#      setosa       1.00      1.00      1.00        16
#  versicolor       0.88      0.94      0.91        16
#   virginica       0.92      0.85      0.88        13
#
# 假设预测目标为0和1，数据中1的个数为a，预测1的次数为b，预测1命中的次数为c
# precision: 精确率 c / b
# recall: 召回率 c / a
# f1-score: 2 * precision * recall / (precision + recall)
# support 各类别参与训练的样本数

具体指标的意义可以参考下方的链接

参考

• 机器学习分类问题指标理解——准确率(accuracy)、精确率(precision)、召回率(recall)、F1-Score、ROC曲线、P-R曲线、AUC面积
• 机器学习之路: python k近邻分类器 KNeighborsClassifier 鸢尾花分类预测