sklearn的分类器算法

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’)
n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数
algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用 BallTree，‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)

k近邻算法实例-预测入住位置

sklearn的分类器算法_决策树_02
sklearn的分类器算法_python_03

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import pandas as pd

def knncls():

    # 读取数据
    data = pd.read_csv("./data/train.csv")

    # 处理数据
    # 1. 缩小数据
    data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")

    # 2. 处理时间的数据,最小单位unit为秒
    time_value = pd.to_datetime(data["time"],unit='s')
    print(time_value)

    # 把日期格式转换为字典格式
    time_value = pd.DatetimeIndex(time_value)

    # 构造一些特征
    data["day"] = time_value.day
    data["hour"] = time_value.hour
    data["weekday"] = time_value.weekday

    # 把时间戳特征删除
    data = data.drop(['time'],axis=1)
    print(data)

    # 把签到数量少于n个的目标位置删除(groupby会自动将place_id作为index)
    place_count = data.groupby('place_id').count()

    # reset_index将索引变成一列特征
    tf = place_count[place_count.row_id > 3].reset_index()
    data = data[data['place_id'].isin(tf.place_id)]

    # 取出数据当中的特征值和目标值
    y = data['place_id']
    x = data.drop(['place_id'],axis=1)

    # 进行数据的分割(训练集和测试集)
    x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.25)

    # 特征工程(标准化)
    std = StandardScaler()

    # 对测试集和训练集的特征值进行标准化
    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)

    # 进行算法流程
    knn = KNeighborsClassifier(n_neighbors=5)

    # fit,predict,score
    knn.fit(x_train,y_train)

    # 得出预测结果
    y_predict = knn.predict(x_test)

    print("预测的目标签到位置为: ",y_predict)

    # 得出准确率
    print("预测的准确率: ",knn.score(x_test,y_test))

    return None

if __name__=="__main__":
    knncls()

数据的处理

缩小数据集范围
DataFrame.query()
处理日期数据
pd.to_datetime
pd.DatetimeIndex
增加分割的日期数据
删除没用的日期数据
pd.drop
将签到位置少于n个用户的删除

place_count =data.groupby(‘place_id’).aggregate(np.count_nonzero)tf = place_count[place_count.row_id > 3].reset_index()
data = data[data[‘place_id’].isin(tf.place_id)]

实例流程

1、数据集的处理
2、分割数据集
3、对数据集进行标准化
4、estimator流程进行分类预测

k值

k值取很小：容易受异常点影响
k值取很大：容易受最近数据太多导致比例变化

k近邻算法作业

通过k-近邻算法对生物物种进行分类——鸢尾花(load_iris)

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

def knnfc():

    # 获取数据集
    li = load_iris()

    # 分割数据集
    x_train,x_test,y_train,y_test = train_test_split(li.data,li.target,test_size=0.25)

    # (特征处理)标准化
    std = StandardScaler()

    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)

    # 进行算法处理
    knn = KNeighborsClassifier(n_neighbors=3)
    knn.fit(x_train,y_train)

    # 预测的结果
    y_predict = knn.predict(x_test)
    print("预测的结果集为: ",y_predict)

    # 准确率
    print("准确率为: ",knn.score(x_test,y_test))


if __name__=="__main__":

    knnfc()

分类算法-朴素贝叶斯算法

联合概率和条件概率

联合概率

包含多个条件，且所有条件同时成立的概率

记作：P(A,B)

条件概率

就是事件A在另外一个事件B已经发生条件下的发生概率

记作：P(A|B)

特性：P(A1,A2|B) = P(A1|B)P(A2|B)
注意：此条件概率的成立，是由于A1,A2相互独立的结果

朴素贝叶斯-贝叶斯公式

sklearn的分类器算法_机器学习_04
注：w为给定文档的特征值(频数统计,预测文档提供)，c为文档类别

公式可以理解为：
sklearn的分类器算法_数据_05

其中C可以是不同类别

公式分为三个部分：

P( C )：每个文档类别的概率(某文档类别词数／总文档词数)
P(W│C)：给定类别下特征（被预测文档中出现的词）的概率
计算方法：P(F1│C)=Ni/N （训练文档中去计算）
Ni为该F1词在C类别所有文档中出现的次数
N为所属类别C下的文档所有词出现的次数和
P(F1,F2,…) 预测文档中每个词的概率

训练集统计结果(指定统计词频)

sklearn的分类器算法_机器学习_06
现有一篇被预测文档：出现了影院，支付宝，云计算，计算属于科技、娱乐的类别概率？

sklearn的分类器算法_机器学习_07

思考：属于某个类别为0，合适吗？

拉普拉斯平滑

sklearn的分类器算法_机器学习_08

sklearn朴素贝叶斯实现API

sklearn.naive_bayes.MultinomialNB

MultinomialNB

sklearn.naive_bayes.MultinomialNB(alpha = 1.0)

朴素贝叶斯分类
alpha：拉普拉斯平滑系数

朴素贝叶斯算法案例

sklearn20类新闻分类
20个新闻组数据集包含20个主题的18000个新闻组帖子

朴素贝叶斯案例流程

1、加载20类新闻数据，并进行分割

2、生成文章特征词

3、朴素贝叶斯estimator流程进行预估

实现代码

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
from sklearn.metrics import classification_report

# 朴素贝叶斯进行文本分类
def naviebayes():

    news = fetch_20newsgroups(subset='all')

    # 进行数据分割
    x_train,x_test,y_train,y_test = train_test_split(news.data,news.target,test_size=0.25)

    # 对数据集进行特征抽取
    tf = TfidfVectorizer()

    # 以训练集当中的词的列表进行每篇文章重要性统计['a','b','c']
    x_train = tf.fit_transform(x_train)

    print(tf.get_feature_names())

    x_test = tf.transform(x_test)

    # 进行朴素贝叶斯算法的预测
    mlt = MultinomialNB(alpha=1.0)

    print(x_train.toarray())

    mlt.fit(x_train,y_train)

    y_predict = mlt.predict(x_test)
    print("预测的文章类别为: ",y_predict)

    # 得出准确率
    print("准确率为: ",mlt.score(x_test,y_test))

    print("每个类别的准确率和召回率: ",classification_report(y_test,y_predict,target_names=news.target_names))

    return None

if __name__=="__main__":

    naviebayes()

朴素贝叶斯分类优缺点

优点：

朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率。
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：

需要知道先验概率P(F1,F2,…|C)，因此在某些时候会由于假设的先验
模型的原因导致预测效果不佳。

分类模型的评估

准确率

estimator.score()

一般最常见使用的是准确率，即预测结果正确的百分比

混淆矩阵

在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)

sklearn的分类器算法_机器学习_09

精确率(Precision)与召回率(Recall)

精确率：预测结果为正例样本中真实为正例的比例（查得准）

sklearn的分类器算法_算法_10

召回率：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力）
sklearn的分类器算法_机器学习_11

F1-score

其他分类标准，F1-score，反映了模型的稳健型
sklearn的分类器算法_机器学习_12

分类模型评估API

sklearn.metrics.classification_report

classification_report

sklearn.metrics.classification_report(y_true, y_pred, target_names=None)

y_true：真实目标值
y_pred：估计器预测目标值
target_names：目标类别名称
return：每个类别精确率与召回率

模型的选择与调优

交叉验证

为了让被评估的模型更加准确可信

交叉验证过程

交叉验证：将拿到的数据，分为训练和验证集。以下图为例：将数据分成5份，其中一份作为验证集。然后经过5次(组)的测试，每次都更换不同的验证集。即得到5组模型的结果，取平均值作为最终结果。又称5折交叉验证。

sklearn的分类器算法_决策树_13

超参数搜索-网格搜索

通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫超参数。但是手动过程繁杂，所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。

sklearn的分类器算法_python_14

网格搜索API

sklearn.model_selection.GridSearchCV

GridSearchCV

sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None)
对估计器的指定参数值进行详尽搜索

estimator：估计器对象
param_grid：估计器参数(dict){“n_neighbors”:[1,3,5]}
cv：指定几折交叉验证
fit：输入训练数据
score：准确率
结果分析：
best_score_ :在交叉验证中测试的最好结果
best_estimator_ ：最好的参数模型
cv_results_ :每次交叉验证后的测试集准确率结果和训练集准确率结果

K-近邻网格搜索案例

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

def knnfc():

    # 获取数据集
    li = load_iris()

    # 分割数据集
    x_train,x_test,y_train,y_test = train_test_split(li.data,li.target,test_size=0.25)

    # (特征处理)标准化
    std = StandardScaler()

    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)

    # 进行算法处理
    knn = KNeighborsClassifier()

    # 构造一些参数的值进行搜索
    param = {"n_neighbors": [3,5,10]}

    # 进行网格搜索
    gc = GridSearchCV(knn,param_grid=param,cv=2)

    gc.fit(x_train,y_train)

    # 预测准确率
    print("在测试集上准确率: ",gc.score(x_test,y_test))

    print("在交叉验证当中最好的结果: ",gc.best_score_)

    print("选择最好的模型是: ",gc.best_estimator_)

    print("每个超参数每次交叉验证的结果: ",gc.cv_results_)

    return None

if __name__=="__main__":

    knnfc()

分类算法-决策树

决策树思想

决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-then结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法

信息熵

H的专业术语称之为信息熵，单位为比特。

公式：

sklearn的分类器算法_python_15
假设有32支足球球队参加世界杯,猜谁是世界杯冠军？

“谁是世界杯冠军”的信息量应该比5比特少。香农指出，它的准确信息量应该是：

H = -(p1logp1 + p2logp2 + ... + p32log32)

当这32支球队夺冠的几率相同时，对应的信息熵等于5比特

决策树的划分依据之一 (信息增益)

特征A对训练数据集D的信息增益g(D,A),定义为集合D的信息熵H(D)与特征A给定条件下D的信息条件熵H(D|A)之差，即公式为：

sklearn的分类器算法_机器学习_16

注： 信息增益表示得知特征X的信息而使得类Y的信息的不确定性减少的程度

信息增益的计算

sklearn的分类器算法_算法_17
如何去划分是否能得到贷款？

结合贷款数据来看公式：

信息熵的计算：

sklearn的分类器算法_算法_18

条件熵的计算：

sklearn的分类器算法_决策树_19

注： C_k表示属于某个类别的样本数

sklearn的分类器算法_决策树_20

常见决策树使用的算法

ID3
信息增益最大的准则
C4.5
信息增益比最大的准则
CART
回归树: 平方误差最小
分类树: 基尼系数最小的准则在sklearn中可以选择划分的原则

sklearn决策树API

class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None,random_state=None)

决策树分类器
criterion:默认是’gini’系数，也可以选择信息增益的熵’entropy’
max_depth:树的深度大小
random_state:随机数种子
method:
decision_path:返回决策树的路径

泰坦尼克号数据

在泰坦尼克号和titanic2数据帧描述泰坦尼克号上的个别乘客的生存状态。在泰坦尼克号的数据帧不包含从剧组信息，但它确实包含了乘客的一半的实际年龄。关于泰坦尼克号旅客的数据的主要来源是百科全书Titanica。这里使用的数据集是由各种研究人员开始的。其中包括许多研究人员创建的旅客名单，由Michael A. Findlay编辑。
我们提取的数据集中的特征是票的类别，存活，乘坐班，年龄，登陆，home.dest，房间，票，船和性别。乘坐班是指乘客班（1，2，3），是社会经济阶层的代表。
其中age数据存在缺失。

sklearn的分类器算法_数据_21
数据：http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt

泰坦尼克号乘客生存分类模型

1、pd读取数据

2、选择有影响的特征，处理缺失值

3、进行特征工程，pd转换字典，特征抽取 x_train.to_dict(orient=“records”)

4、决策树估计器流程

决策树的结构、本地保存

1、sklearn.tree.export_graphviz() 该函数能够导出DOT格式
tree.export_graphviz(estimator,out_file='tree.dot’,feature_names=[‘’,’’])

2、工具:(能够将dot文件转换为pdf、png)
安装graphviz
ubuntu:sudo apt-get install graphviz Mac:brew install graphviz

3、运行命令
然后我们运行这个命令
dot -Tpng tree.dot -o tree.png

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


def decision():

    """
    决策树对泰坦尼克号进行预测生死
    :return: None
    """
    # 获取数据
    titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")

    # 处理数据,找到特征值和目标值
    x = titan[['pclass','age','sex']]

    y = titan['survived']

    print(x)
    # 缺失值处理
    x['age'].fillna(x['age'].mean(),inplace=True)

    # 分割数据集到训练集测试集
    x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)

    # 进行处理(特征工程) 特征-->类别-->one_hot编码
    dict = DictVectorizer(sparse=False)

    x_train = dict.fit_transform(x_train.to_dict(orient="records"))

    print(dict.get_feature_names())

    x_test = dict.transform(x_test.to_dict(orient="records"))

    print(x_train)
    # 用决策树进行预测
    dc = DecisionTreeClassifier()
    dc.fit(x_train, y_train)

    # 预测准确率
    print("预测的准确率: ",dc.score(x_test, y_test))

    # 导出树的结构
    export_graphviz(dc,out_file='./tree.dot',feature_names=['年龄', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', 'sex=女性', 'sex=男性'])

    return None


if __name__=="__main__":
    decision()

决策树的优缺点以及改进

优点：

简单的理解和解释，树木可视化。
需要很少的数据准备，其他技术通常需要数据归一化，

缺点：

决策树学习者可以创建不能很好地推广数据的过于复杂的树，这被称为过拟合。
决策树可能不稳定，因为数据的小变化可能会导致完全不同的树被生成

改进：

减枝cart算法
随机森林

分类算法-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单预测，因此优于任何一个单分类的做出预测。

定义

在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个数的结果是False, 那么最终结果会是True.

学习算法

根据下列算法而建造每棵树：

用N来表示训练用例（样本）的个数，M表示特征数目。
输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于M。
从N个训练用例（样本）中以有放回抽样的方式，取样N次，形成一个训练集（即bootstrap取样），并用未抽到的用例（样本）作预测，评估其误差。

为什么要随机抽样训练集？

如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的

为什么要有放回地抽样？

如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

集成学习API

class sklearn.ensemble.RandomForestClassifier(n_estimators = 10, criterion=’gini’

max_depth=None, bootstrap=True, random_state=None)
随机森林分类器
n_estimators：integer，optional（default = 10）森林里的树木数量
criteria：string，可选（default =“gini”）分割特征的测量方法
max_depth：integer或None，可选（默认=无）树的最大深度
bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样

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


def decision():

    """
    决策树对泰坦尼克号进行预测生死
    :return: None
    """
    # 获取数据
    titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")

    # 处理数据,找到特征值和目标值
    x = titan[['pclass','age','sex']]

    y = titan['survived']

    print(x)
    # 缺失值处理
    x['age'].fillna(x['age'].mean(),inplace=True)

    # 分割数据集到训练集测试集
    x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)

    # 进行处理(特征工程) 特征-->类别-->one_hot编码
    dict = DictVectorizer(sparse=False)

    x_train = dict.fit_transform(x_train.to_dict(orient="records"))

    print(dict.get_feature_names())

    x_test = dict.transform(x_test.to_dict(orient="records"))

    # print(x_train)
    # 用决策树进行预测
    # dc = DecisionTreeClassifier()
    # dc.fit(x_train, y_train)
    #
    # # 预测准确率
    # print("预测的准确率: ",dc.score(x_test, y_test))
    #
    # 导出树的结构
    # export_graphviz(dc,out_file='./tree.dot',feature_names=['年龄', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', 'sex=女性', 'sex=男性'])

    # 随机森林进行预测 (超参数调优)
    rf = RandomForestClassifier()
    param = {"n_estimators": [120,300,500,800,1200],"max_depth": [5,8,15,25,30]}

    # 网格搜索与交叉验证
    gc = GridSearchCV(rf,param_grid=param,cv=2)
    gc.fit(x_train, y_train)

    print("准确率为: ", gc.score(x_test,y_test))
    print("查看选择的参数模型: ",gc.best_params_)

    return None



if __name__=="__main__":
    decision()