开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 机器学习之分类算法 -> 正文阅读

[人工智能]机器学习之分类算法

分类算法

目标值：类别

sklearn转换器和预估器
KNN算法
模型选择与调优
朴素贝叶斯算法
决策树
随机森林

文章目录

分类算法

sklearn转换器和预估器

转换器 transfrom

实例化（实例化的是一个转换器类（Transfermer))
调用fit_transfrom(对于文档建立分类词频矩阵，不能同时调用）

估计器 estimator

用于分类的估计器︰
- sklearn.neighbors k-近邻算法
- sklearn.naive_bayes 贝叶斯
- sklearn.linear_model.LogisticRegression逻辑回归
- sklearn.tree决策树与随机森林
用于回归的估计器：
- sklearn.linear_model.LinearRegression线性回妇
- sklearn.linear_model.Ridge岭回归
用于无监督学习的估计器
- sklearn.cluster.KMeans 聚类

估计器的工作流程

实例化一个estimator
estimator.fit(x_train,y_train) 计算
——调用完毕，模型生成
模型评估
1》直接对比真实值和预估值
y_predict = estimator.predict(x_test)
y_test == y_predict
2》计算准确率
accuracy = estimator.score(x_test,y_test)

KNN算法（K-近邻算法）

核心思想：根据你的邻居来判断你的类别

如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)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 = 1 :容易受到异常值的影响
k 过大：容易受到样本不均的影响
k 过小：容易受到异常点的影响

案例：预测鸢尾花种类

获取数据
数据集划分
特征工程----标准化
KNN预估器流程
模型评估

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier

def knn_iris():
    '''
    用knn算法对鸢尾花进行分类
    :return:
    '''
    #1.获取数据
    iris = load_iris()
    #2.划分数据集
    x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,random_state=6)
    #3.特征工程：标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    #4.KNN算法预估器
    estimator = KNeighborsClassifier(n_neighbors=3)#加入k值
    estimator.fit(x_train,y_train)
    #5.模型评估
    #方法一：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict\n",y_predict)
    print("直接比对真实值和预测值：\n",y_test==y_predict)
    #方法二：计算准确率
    score = estimator.score(x_test,y_test)
    print("准确率为：\n",score)
    return None

if __name__ == "__main__":
    # 用knn算法对鸢尾花进行分类
    knn_iris()

在这里插入图片描述

总结

优点：
- 简单，易于理解，易于实现，无需训练
缺点：
1. 必须指定kzhi3，k值选择不当是不能保证分类精确度
2. 懒惰算法，对样本分类时的计算量大，内存开销大

模型选择与调优

交叉验证：
将拿到的训练数据，分为训练和验证集。以下图为例:将数据分成4份，其中一份作为验证集。然后经过4次(组)的测试，每次都更换不同的验证集。即得到4组模型的结果，取平均值作为最终结果。又称4折交叉验证。

在这里插入图片描述
超参数-网格搜索

sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None）
estimator:估计器对象
param_grid：估计器参数
cv：指定几则交叉验证

结果分析：
最佳参数： best_params_
最佳结果: best_score_
最佳估计器: best_estimator_
交叉验证结果:cv_results_

案例：鸢尾花增加k值调优

from sklearn.datasets import load_iris
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler

def knn_iris_gscv():
    '''
    用knn算法对鸢尾花进行分类,添加网格搜索和交叉验证
    :return:
    '''
    # 1.获取数据
    iris = load_iris()
    # 2.划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)
    # 3.特征工程：标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    # 4.KNN算法预估器
    estimator = KNeighborsClassifier()

    # ****加入网格搜索与交叉验证
    # 参数准备
    param_dict = {"n_neighbors": [1, 3, 5, 7, 9, 11]}
    estimator = GridSearchCV(estimator, param_grid=param_dict, cv=10)
    estimator.fit(x_train, y_train)

    # 5.模型评估
    # 方法一：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict\n", y_predict)
    print("直接比对真实值和预测值：\n", y_test == y_predict)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    # ****查看结果
    print("最佳参数：", estimator.best_params_)
    print("最佳结果：", estimator.best_score_)
    print("最佳估计器：", estimator.best_estimator_)
    print("交叉验证结果：", estimator.cv_results_)
    return None

if __name__ == "__main__":
    # 用knn算法对鸢尾花进行分类,添加网格搜索和交叉验证
    knn_iris_gscv()

在这里插入图片描述

案例：预测Facebook签到位置

import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV
#1.获取数据
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler

data = pd.read_csv("train.csv")
#2.数据处理
# a.缩小范围
data.query('x < 2.5 & x > 2 & y < 1.5 & y > 1')
# b.处理时间特征
time_values = pd.to_datetime(data['time'],unit='s')
date = pd.DatetimeIndex(time_values)
data['day'] = date.day
data['weekday'] = date.weekday
data['hour'] = date.hour
# print(data)
# c.过滤掉签到次数少的地点
place_count = data.groupby('place_id').count()['row_id']
place_count[place_count > 3]
data_final = data[data['place_id'].isin(place_count[place_count > 3].index.values)]
#筛选特征值和目标值
x = data_final[['x','y','accuracy','day','weekday','hour']]
y = data_final['place_id']
# print(x)
#3.数据集划分
x_train,x_test,y_train,y_test = train_test_split(x,y)
# 4.特征工程：标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
# 5.KNN算法预估器
estimator = KNeighborsClassifier(n_neighbors=3)
# ****加入网格搜索与交叉验证
# 参数准备
param_dict = {"n_neighbors": [3, 5, 7, 9]}
estimator = GridSearchCV(estimator, param_grid=param_dict, cv=3)
estimator.fit(x_train, y_train)
estimator.fit(x_train, y_train)
# 6.模型评估
# 方法一：直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict\n", y_predict)
print("直接比对真实值和预测值：\n", y_test == y_predict)
# 方法二：计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)

# ****查看结果
print("最佳参数：", estimator.best_params_)
print("最佳结果：", estimator.best_score_)
print("最佳估计器：", estimator.best_estimator_)
print("交叉验证结果：", estimator.cv_results_)

朴素贝叶斯算法

朴素贝叶斯 = 朴素（假设：特征与特征之间是相互独立的）+贝叶斯

在这里插入图片描述

案例：20类新闻分类

from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB


def nb_news():
    '''
    用朴素贝叶斯对新闻进行分类
    :return:
    '''
    # 1.获取数据
    news = fetch_20newsgroups(subset='all')
    # 2.划分数据集
    x_train,x_test,y_train,y_test = train_test_split(news.data,news.target)
    # 3.特征工程：文本特征抽取
    transfer = TfidfVectorizer()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    # 4.朴素贝叶斯算法预估器流程
    estimator = MultinomialNB()
    estimator.fit(x_train,y_train)
    # 5.模型评估
    # 方法一：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict\n", y_predict)
    print("直接比对真实值和预测值：\n", y_test == y_predict)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    return None

if __name__ == "__main__":
    nb_news()

在这里插入图片描述

总结：

优点：
	对缺失数据不太敏感，算法也比较简单，常用于文本分类
	分类准确度高速度快
缺点：
	由于使用了样本属性独立性的假设，所以如果特征属性有关联时其效果不好

决策树

在这里插入图片描述

思想：如何高效进行决策
决定因素：特征的先后顺序

信息论基础：
1. 信息：
香农:消踪随机不定性的东西
小明 “我今年18岁”——信息—年龄
小华 "小明明年19岁”——不是信息
2. 信息的衡量：信息熵
在这里插入图片描述

3. 信息增益：（决策树的划分依据）

在这里插入图片描述

决策树可视化

sklearn.tree.export_graphviz()

tree.excport_graphwviz(estimator,out_file='tree.dot",feature_namesm[""]

案例：用决策树对鸢尾花进行分类

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, export_graphviz


def decision_iris():
    """
    用决策树对鸢尾花进行分类
    :return:
    """
    # 1）获取数据集
    iris = load_iris()

    # 2）划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)

    # 3）决策树预估器
    estimator = DecisionTreeClassifier(criterion="entropy")
    estimator.fit(x_train, y_train)

    # 4）模型评估
    # 方法1：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接比对真实值和预测值:\n", y_test == y_predict)

    # 方法2：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    # 可视化决策树
    export_graphviz(estimator, out_file="iris_tree.dot", feature_names=iris.feature_names)

    return None

if __name__ == "__main__":
    decision_iris()

在这里插入图片描述总结：

优点：
简单的理解和解释，树木可视化。
缺点：
容易产生过拟合

案例：泰坦尼克号乘客生存预测

import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier,export_graphviz

#1.获取数据
from sklearn.tree import DecisionTreeClassifier, export_graphviz

titanic = pd.read_csv("titanic.csv")
#筛选特征值和目标值
x = titanic[['pclass','age','sex']]
y = titanic['survived']
# print(x.head())
# print(y.head())
#2.数据处理
#a.缺失数据处理：
x['age'].fillna(x['age'].mean(),inplace=True)
#b.转换成字典
x = x.to_dict(orient='recorda')
#3.数据集划分
x_train,x_test,y_train,y_test = train_test_split(x,y,random_state=22)
#字典特征抽取
transfer = DictVectorizer()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
#4.决策树预估器
estimator = DecisionTreeClassifier(criterion="entropy")
estimator.fit(x_train, y_train)
# 5.模型评估
# 方法1：直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict:\n", y_predict)
print("直接比对真实值和预测值:\n", y_test == y_predict)
# 方法2：计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)
# 可视化决策树
export_graphviz(estimator, out_file="titanic_tree.dot", feature_names=transfer.get_feature_names())

在这里插入图片描述

随机森林

集成学习方法：
集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测。

随机森林：
随机：训练集随机+特征值随机
森林：包含多个决策数的分类群

在这里插入图片描述
案例：

import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

#1.获取数据
from sklearn.tree import DecisionTreeClassifier, export_graphviz

titanic = pd.read_csv("titanic.csv")
#筛选特征值和目标值
x = titanic[['pclass','age','sex']]
y = titanic['survived']
# print(x.head())
# print(y.head())
#2.数据处理
#a.缺失数据处理：
x['age'].fillna(x['age'].mean(),inplace=True)
#b.转换成字典
x = x.to_dict(orient='recorda')
#3.数据集划分
x_train,x_test,y_train,y_test = train_test_split(x,y,random_state=22)
#字典特征抽取
transfer = DictVectorizer()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
#4.决策树预估器
estimator = DecisionTreeClassifier(criterion="entropy")
estimator.fit(x_train, y_train)
# 5.模型评估
# 方法1：直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict:\n", y_predict)
print("直接比对真实值和预测值:\n", y_test == y_predict)
# 方法2：计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)
# 可视化决策树
export_graphviz(estimator, out_file="titanic_tree.dot", feature_names=transfer.get_feature_names())


estimator = RandomForestClassifier()
# ****加入网格搜索与交叉验证
# 参数准备
param_dict = {"n_estimators": [120,200,300.500,800,1200],
              'max_depth':[5,8,15,25,30]}
estimator = GridSearchCV(estimator, param_grid=param_dict, cv=3)
estimator.fit(x_train, y_train)
estimator.fit(x_train, y_train)

# 6.模型评估
# 方法一：直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict\n", y_predict)
print("直接比对真实值和预测值：\n", y_test == y_predict)
# 方法二：计算准确率
score = estimator.score(x_test, y_test)
print("准确率为：\n", score)

# ****查看结果
print("最佳参数：", estimator.best_params_)
print("最佳结果：", estimator.best_score_)
print("最佳估计器：", estimator.best_estimator_)
print("交叉验证结果：", estimator.cv_results_)

在这里插入图片描述