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
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()
总结
- 优点:
- 缺点:
- 必须指定kzhi3,k值选择不当是不能保证分类精确度
- 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。
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()
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
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()
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
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
3. 信息增益:(决策树的划分依据)
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()
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())
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
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_)
总结: 在当前所有算法中,具有极好的准确率 能够有效地运行在大数据集上,处理具有高维特征的输入样本,而且不需要降维 能够评估各个特征在分类问题上的重要性
|