1. Dataset

  scikit-learn提供了一些标准数据集(datasets),比如用于分类学习的iris 和 digits 数据集,还有用于归约的boston house prices 数据集。

其使用方式非常简单如下所示:

$ python

>>> from sklearn import datasets

>>> iris = datasets.load_iris()

>>> digits = datasets.load_digits()

每个datasets对象(如iris或digits)都是一个类Dictionary,即是一个Map容器。同时datasets对象都有两个重要属性:

1)data:样本空间

  data属性是一个二维的矩阵,每行表示一个测试的样本(samples),每列表示样本的特征值(feature),如下所示:

from sklearn import datasets

digits = datasets.load_digits()

print(digits.data)

输出:

[[ 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.]]

2)target:标签空间

  target是测试样本的真实标签,如下所示:

from sklearn import datasets

digits = datasets.load_digits()

print(digits.target)

输出:

[0 1 2 …, 8 9 8]

ps:

iris 和 digits 数据集还有一些不同的属性,可以在datasets.load_XXX()函数源码中查看详细内容,如datasets.load_digits()函数内容如下:

Def load_digits(n_class=10, return_X_y=False):

return Bunch(data=flat_data,

target=target,

target_names=np.arange(10),

images=images,

DESCR=descr)

  • 说明load_digits方法,返回的是Bunch对象,其有data、target、target_names、images和DESCR成员属性。

2. Estimator

  Estimator是scikit-learn实现的主要API,可以将其理解为模型(model),即是机器学习中的学习器(learner),通过estimator可以进行分类、回归和聚合等操作。

  对于监督学习的任务可以分如下步骤进行:

  a) 模型选择:选择一个estimator对象;
  b) 训练模型:根据训练数据集来训练模型;

  c) 泛化性能度量:测量模型的泛化能力,即对其评分;

  d) 模型进行预测:进行实际预测或应用。

2.1 模型选择

  scikit-learn已经实现了非常多机器学习模型,用户只需根据接口参数要求直接创建即可。

如下所示获取一个支持向量机模型:

from sklearn import svm

clf = svm.SVC(gamma=0.001, C=100.)

2.2 训练模型

  每个scikit-learn模型都提供一个fit(X, y)方法,用于训练模型,其中X参数是一个二维的矩阵,是指模型训练的数据集;y是一个一维数组,是指训练数据集的相应标签。如下所示的使用方式:

clf.fit(digits.data[:-1], digits.target[:-1])

  • digits.data[:-1]:data是一个二维的数组,[:-1]表示传递第一维数组从开始到最后所有内容;
  • digits.target[:-1]:target是一个一维数组,[:-1]b表示传递数组所有内容。

2.3 性能度量

  每个scikit-learn模型都提供一个score()方法用于估计模型的性能,在训练完模型后,即可使用该方法进行估计性能。

如下所示的程序:

from __future__ import print_function

from sklearn.datasets import load_iris

from sklearn.cross_validation import train_test_split

from sklearn.neighbors import KNeighborsClassifier

iris = load_iris()

X = iris.data

y = iris.target

#0.获取数据集,并将数据集分为训练数据和测试数据

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=4)

#1.获取模型

knn = KNeighborsClassifier(n_neighbors=5)

#2.训练模型

knn.fit(X_train, y_train)

#3.度量性能

print(knn.score(X_test, y_test))

输出:

0.973684210526

2.4 数据预

  在训练完模型后,即可进行数据预测。每个scikit-learn模型都提供一个predict(X)方法,其功能是预测指定的数据。其中X是一个二维矩阵,即希望被预测的数据;同时该方法会返回一个一维的数组,每个元素对应矩阵X中每行的预测标签。

如下所示的完整程序:

from sklearn import datasets

from sklearn import svm

digits = datasets.load_digits()

clf = svm.SVC(gamma=0.001, C=100.)

clf.fit(digits.data[:-1], digits.target[:-1])

y=clf.predict(digits.data[-1:])

print(y)

输出:

[8]

  • 最后输出的是一个数组,因为我们进行预测的数据只有一行,所以只输出一个元素。

3. Preprocessing

  对于训练数据集和预测数据常需要先进行预处理,使得训练的模型泛化性能更高。其中本小结只简单介绍"特征缩放",更多功能可以参考[1]的预处理章节。

如下使用了preprocessing模块scale()方法进行数据缩放:

from sklearn import preprocessing

a = np.array([[10, 2.7, 3.6],

[-100, 5, -2],

[120, 20, 40]],

dtype=np.float64)

print(a) #比较在预处理前的数据

print(preprocessing.scale(a)) #比较在预处理后的数据

输出:

[[ 10. 2.7 3.6]

[-100. 5. -2. ]

[ 120. 20. 40. ]]

[[ 0. -0.85170713 -0.55138018]

[-1.22474487 -0.55187146 -0.852133 ]

[ 1.22474487 1.40357859 1.40351318]]

4. Cross-validated

  scikit-learn的交叉验证功能是通过model_selection模块实现,

4.1 split

  通常在(监督)学习实验中,通常会将一部分数据独立出来作为测试集合。scikit-learn的model_selection模块有个辅助函数 train_test_split 可以快速地将数据划分为训练集合与测试结合。

如下将采样到一个训练集合同时保留 40% 的数据用于测试(评估):

from sklearn import datasets

from sklearn.model_selection import train_test_split

#0.获取数据集

iris = datasets.load_iris()

print(iris.data.shape, iris.target.shape)

#1.进行原始数据集的分离操作

X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=4)

#2.分离后的数据集

print(X_train.shape, y_train.shape)

print(X_test.shape, y_test.shape)

输出:

(150, 4) (150,)

(112, 4) (112,)

(38, 4) (38,)

PS:

在model_selection中还有其它多种函数能用于数据集分离操作,可以具体参考[1]的Model selection模块。

4.2 score

  Estimator对象已提供一个score函数能够度量模型的性能,但是该方法需要先训练模型,然后测量模型的性能。即将数据集分为两部分,一部分先训练模型;另一部分用于度量模型。

  model_selection提供一种cross-validation(交叉验证)的方式来度量模型的性能,这种方式不需要用户手动分离数据集和训练模型。用户直接测量模型的泛化性能,该函数为:cross_val_score

def cross_val_score(estimator, X, y=None, groups=None, scoring=None, cv=None,

n_jobs=1, verbose=0, fit_params=None,

pre_dispatch='2*n_jobs'):

  • estimator:为创建的模型;
  • X:为数据集,为矩阵类型;
  • y:为标签数,为向量类型;
  • cv:为交叉验证的组数,每组都会产生一个评分结果,为整数类型;
  • return:为每组验证的评分,为向量类型;

下面的例子演示了如何评估一个线性支持向量机在 iris 数据集上的精度,通过划分数据,可以连续5次评分:

from sklearn import datasets

from sklearn import svm

from sklearn.model_selection import cross_val_score

iris = datasets.load_iris()

clf = svm.SVC(kernel='linear', C=1)

scores = cross_val_score(clf, iris.data, iris.target, cv=5)

print(scores)

输出:

[ 0.96666667 1. 0.96666667 0.96666667 1. ]

通过cross_val_score方法获取的是一个向量,用户可以对向量取平均分数和具有 95% 置信区间,如下所示的分数估计:

print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))

输出:

Accuracy: 0.98 (+/- 0.03)

4.3 Learning curve

  一个模型(Estimator)的泛化能力与它的训练数据集有很直接的关系,若训练数据集样本数少了则会出现"欠拟合"的模型,如图 11所示的第一个图;若训练数据集样本数多了则会出现"过拟合"的模型,如图 11所示的第三个图;如图 11所示的第二个图是数据集刚刚好的情况。

图 11

  对于一维的特征向量可以图形化来描述过拟合和欠拟合的情况,若特征向量是多维的,则很难用图形化来评估数据集数量对模型的影响。

model_selection提供一个工具函数learning_curve来帮助用户了解数据集的样本数对模型泛化性能的影响,通过这个函数能够显示不同数量训练样本下模型的训练和验证分数。这里的训练分数是指进行训练模型的数据集来评估模型性能的分数;而验证分数是指在通过测试数据集对评估模型性能的分数。

如图 11所示是一个SVM模型在不同数据集样本数下,训练分数和交叉验证分数的学习曲线,通过两者分数的差异可以评估模型的拟合程度:

  1. 若出现Training分数和Cross-validation分数都一样低,那说明模型为欠拟合情况;
  2. 若出现Training分数高,而Cross-validation分数低,则说明模型出现了过拟合情况;
  3. 而Training分数低,而Cross-validation分数高的情况是不可能出现的情况;
  4. 只有Training分数和Cross-validation分数一样高才说明模型是拟合适中。

图 12

  我们使用learning_curve函数的目标是获取使得Training分数和Cross-validation分数一样高的数据样本数。其中learning_curve函数声明头如下所示:

def learning_curve(estimator, X, y, groups=None,

train_sizes=np.linspace(0.1, 1.0, 5), cv=None, scoring=None,

exploit_incremental_learning=False, n_jobs=1,

pre_dispatch="all", verbose=0):

  • estimator为评估的模型;
  • X为数据集,为矩阵类型;
  • y为标签数,为向量类型;
  • train_sizes训练数据集的大小,为向量类型,每个元素表示进行训练的数据样本数;若元素为浮点类型,则训练数是整个样本集的比例;若元素为整数类型,则训练数就是所指定的固定数量。
  • cv为交叉验证的组数,每组都会产生一个评分结果,为整数类型;
  • return会一个元祖,该元祖有三个元素:
  1. train_sizes_abs:为每组训练的样本数,其为一个向量类型;
  2. train_scores:为每组训练数据集的评分,为矩阵类型;
  3. test_scores:为交叉验证的测试评分,也为矩阵类型。

如下的使用示例:

from sklearn.model_selection import learning_curve

from sklearn.svm import SVC

from sklearn.datasets import load_iris

iris = load_iris()

X = iris.data

y = iris.target

train_sizes, train_scores, valid_scores = learning_curve(SVC(kernel='linear'), X, y, train_sizes=[0.40, 0.80, 1], cv=5)

print(train_sizes)

print(train_scores)

print(valid_scores)

输出:

[ 48 96 120]

[[ 1. 1. 1. 1. 1. ]

[ 0.98958333 0.97916667 0.97916667 1. 0.97916667]

[ 0.975 0.975 0.99166667 0.98333333 0.98333333]]

[[ 0.66666667 0.66666667 0.66666667 0.66666667 0.66666667]

[ 0.96666667 1. 0.93333333 0.9 1. ]

[ 0.96666667 1. 0.96666667 0.96666667 1. ]]

PS

scikit-learn的model_selection模块还提供另一个评估函数:Validation curve,该函数功能与learning_curve功能类似,不过Validation_curve函数支持调节不同模型的参数来验证性能。

5. Persistence

  scikit-learn提供模型持久化功能,即能够将训练好的模型保存起来,后续可以直接获取模型不需要重复训练,从而节约预测的时间。

Python提供了一个模块 pickle,能够实现模型持久化功能。其使用方式如下所示:

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)

import pickle

s = pickle.dumps(clf)

clf2 = pickle.loads(s)

y_predit = clf2.predict(X[0:1])

print(y_predit) #预测标签

print(y[0]) #真实标签

输出:

[0]

0

在特殊情况下,可以使用joblib代替pickle模块,特别是在大数据集下效率更高,但只有pickle将模型保存到磁盘中,而不是保存为字符串形式,如下所示的使用:

from sklearn.externals import joblib

joblib.dump(clf, 'filename.pkl')

clf = joblib.load('filename.pkl')

6. 参考文献

[2].scikit-learn中文版网站

Scikit-Learn框架的更多相关文章

  1. scikit learn 模块 调参 pipeline+girdsearch 数据举例:文档分类 (python代码)

    scikit learn 模块 调参 pipeline+girdsearch 数据举例:文档分类数据集 fetch_20newsgroups #-*- coding: UTF-8 -*- import ...

  2. (原创)(三)机器学习笔记之Scikit Learn的线性回归模型初探

    一.Scikit Learn中使用estimator三部曲 1. 构造estimator 2. 训练模型:fit 3. 利用模型进行预测:predict 二.模型评价 模型训练好后,度量模型拟合效果的 ...

  3. (原创)(四)机器学习笔记之Scikit Learn的Logistic回归初探

    目录 5.3 使用LogisticRegressionCV进行正则化的 Logistic Regression 参数调优 一.Scikit Learn中有关logistics回归函数的介绍 1. 交叉 ...

  4. Scikit Learn: 在python中机器学习

    转自:http://my.oschina.net/u/175377/blog/84420#OSC_h2_23 Scikit Learn: 在python中机器学习 Warning 警告:有些没能理解的 ...

  5. Scikit Learn

    Scikit Learn Scikit-Learn简称sklearn,基于 Python 语言的,简单高效的数据挖掘和数据分析工具,建立在 NumPy,SciPy 和 matplotlib 上.

  6. 机器学习框架Scikit Learn的学习

    一   安装 安装pip 代码如下:# wget "https://pypi.python.org/packages/source/p/pip/pip-1.5.4.tar.gz#md5=83 ...

  7. Linear Regression with Scikit Learn

    Before you read  This is a demo or practice about how to use Simple-Linear-Regression in scikit-lear ...

  8. Spark技术在京东智能供应链预测的应用——按照业务进行划分,然后利用scikit learn进行单机训练并预测

    3.3 Spark在预测核心层的应用 我们使用Spark SQL和Spark RDD相结合的方式来编写程序,对于一般的数据处理,我们使用Spark的方式与其他无异,但是对于模型训练.预测这些需要调用算 ...

  9. 如何使用scikit—learn处理文本数据

    答案在这里:http://www.tuicool.com/articles/U3uiiu http://scikit-learn.org/stable/modules/feature_extracti ...

  10. Query意图分析:记一次完整的机器学习过程(scikit learn library学习笔记)

    所谓学习问题,是指观察由n个样本组成的集合,并根据这些数据来预测未知数据的性质. 学习任务(一个二分类问题): 区分一个普通的互联网检索Query是否具有某个垂直领域的意图.假设现在有一个O2O领域的 ...

随机推荐

  1. 面向对象15.3String类-常见功能-判断

    /*3.判断 * 3.1两个字符串内容是否相同? * boolean equals(Object obj)(参数是Object,不是String,因为equals是覆盖Object里面的equals方 ...

  2. Intellij Idea配置说明(从Eclipse转Idea)

      1.idea的字体大小设置 字体大小设置的方法: 进入Settings>>Editor>>Colors&Fonts>>Font,改变Size大小. 2. ...

  3. linux UART

    #include <stdio.h> #include <string.h> #include <sys/types.h> #include <errno.h ...

  4. Oozie时出现org.apache.oozie.service.ServiceException: E0103: Could not load service classes, Cannot load JDBC driver class 'com.mysql.jdbc.Driver'

    不多说,直接上干货! 问题详情 查看你的$OOZIE_HOME/logs 我的是/home/hadoop/app/oozie-4.1.0-cdh5.5.4/logs/oozie.log文件 [hado ...

  5. MySQL5.6.36 linux rpm包安装配置文档

    一.卸载自带mysql,删除MySQL的lib库,服务文件 [root@localhost ~]#rpm -qa|grep mysql qt-mysql-4.6.2-26.el6_4.x86_64 m ...

  6. 由于用mpu6050模块,所以要用上i2c通信原理。

    i2c通信原理 i2c总线只有两根双向信号线,一根是数据线SDA,一根是时钟线SCL. 每个接到i2c总线上的器件都有唯一的地址,主机与其他器件之间的数据传送可以是由主机发送给其他器件.主机为发送器, ...

  7. maven-配置文件配置src/resource下的文件

    classpath*:只找到applicationContext.xml classpath:/找到了所有

  8. FaceRank-人脸打分基于 TensorFlow 的 CNN 模型

    FaceRank-人脸打分基于 TensorFlow 的 CNN 模型 隐私 因为隐私问题,训练图片集并不提供,稍微可能会放一些卡通图片. 数据集 130张 128*128 张网络图片,图片名: 1- ...

  9. Pycharm中的加载多个项目

    使用Pycharm,总会创建几个项目文件,有时候又不想全部一个一个的打开,所以这时候需要一个项目共存的方法,现在说一下怎么项目共存. 中英文对照 英文:首先打开setting界面: 中文首先打开设置界 ...

  10. swift3.0 对UITextField()输入框输入的内容进行监控

    首先需要继承 UITextFieldDelegate class TestViewController: UIViewController,UITextFieldDelegate{ } 添加事件委托 ...