Scikit Learn建模流程

本章介绍Sklearn中涉及的建模过程。让我们详细了解一下，并从数据集加载开始。

数据集加载

数据的集合称为数据集。它包含以下两个组成部分：

特征 - 数据的变量称为其特征。它们也称为预测变量、输入或属性。

特征矩阵 - 如果有多个特征，则它是特征的集合。
特征名称 - 它是所有特征名称的列表。

响应 - 它是输出变量，基本上取决于特征变量。它们也称为目标、标签或输出。

响应向量 - 用于表示响应列。通常，我们只有一个响应列。
目标名称 - 它表示响应向量可能取的值。

Scikit-learn有一些示例数据集，例如用于分类的iris和digits，以及用于回归的波士顿房价。

示例

以下是如何加载iris数据集的示例：

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
feature_names = iris.feature_names
target_names = iris.target_names
print("Feature names:", feature_names)
print("Target names:", target_names)
print("\nFirst 10 rows of X:\n", X[:10])

输出

Feature names: ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
Target names: ['setosa' 'versicolor' 'virginica']
First 10 rows of X:
[
   [5.1 3.5 1.4 0.2]
   [4.9 3. 1.4 0.2]
   [4.7 3.2 1.3 0.2]
   [4.6 3.1 1.5 0.2]
   [5. 3.6 1.4 0.2]
   [5.4 3.9 1.7 0.4]
   [4.6 3.4 1.4 0.3]
   [5. 3.4 1.5 0.2]
   [4.4 2.9 1.4 0.2]
   [4.9 3.1 1.5 0.1]
]

分割数据集

为了检查模型的准确性，我们可以将数据集分成两部分：训练集和测试集。使用训练集训练模型，使用测试集测试模型。之后，我们可以评估模型的性能。

示例

下面的示例将数据按70:30的比例分割，即70%的数据将用作训练数据，30%的数据将用作测试数据。数据集与上面的示例一样是iris数据集。

from sklearn.datasets import load_iris
iris = load_iris()

X = iris.data
y = iris.target

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
   X, y, test_size = 0.3, random_state = 1
)

print(X_train.shape)
print(X_test.shape)

print(y_train.shape)
print(y_test.shape)

输出

(105, 4)
(45, 4)
(105,)
(45,)

如上例所示，它使用scikit-learn的train_test_split()函数分割数据集。此函数具有以下参数：

X, y - 这里，X是特征矩阵，y是响应向量，需要分割。
test_size - 这表示测试数据与给定总数据的比率。在上例中，我们为X的150行设置了test_data = 0.3。它将生成150*0.3 = 45行的测试数据。
random_state - 用于保证分割始终相同。这在需要可重复结果的情况下非常有用。

训练模型

接下来，我们可以使用数据集来训练一些预测模型。如前所述，scikit-learn具有广泛的机器学习 (ML) 算法，这些算法具有用于拟合、预测准确性、召回率等的统一接口。

示例

在下面的示例中，我们将使用KNN（K近邻）分类器。不必深入了解KNN算法的细节，因为会有单独的章节介绍它。此示例用于让您了解实现部分。

from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
   X, y, test_size = 0.4, random_state=1
)
from sklearn.neighbors import KNeighborsClassifier
from sklearn import metrics
classifier_knn = KNeighborsClassifier(n_neighbors = 3)
classifier_knn.fit(X_train, y_train)
y_pred = classifier_knn.predict(X_test)
# Finding accuracy by comparing actual response values(y_test)with predicted response value(y_pred)
print("Accuracy:", metrics.accuracy_score(y_test, y_pred))
# Providing sample data and the model will make prediction out of that data

sample = [[5, 5, 3, 2], [2, 4, 3, 5]]
preds = classifier_knn.predict(sample)
pred_species = [iris.target_names[p] for p in preds] print("Predictions:", pred_species)

输出

Accuracy: 0.9833333333333333
Predictions: ['versicolor', 'virginica']

模型持久化

训练模型后，最好将模型持久化以备将来使用，这样就不需要反复重新训练。这可以使用joblib包的dump和load功能来完成。

考虑下面的示例，我们将保存上面训练的模型（classifier_knn）以备将来使用：

from sklearn.externals import joblib
joblib.dump(classifier_knn, 'iris_classifier_knn.joblib')

以上代码会将模型保存到名为iris_classifier_knn.joblib的文件中。现在，可以使用以下代码从文件中重新加载该对象：

joblib.load('iris_classifier_knn.joblib')

数据预处理

由于我们处理的是大量原始数据，在将数据输入机器学习算法之前，我们需要将其转换为有意义的数据。此过程称为数据预处理。Scikit-learn为此目的提供了名为preprocessing的包。preprocessing包具有以下技术：

二值化

当我们需要将数值转换为布尔值时，使用此预处理技术。

示例

import numpy as np
from sklearn import preprocessing
Input_data = np.array(
   [2.1, -1.9, 5.5],
   [-1.5, 2.4, 3.5],
   [0.5, -7.9, 5.6],
   [5.9, 2.3, -5.8]]
)
data_binarized = preprocessing.Binarizer(threshold=0.5).transform(input_data)
print("\nBinarized data:\n", data_binarized)

在上例中，我们使用的阈值 = 0.5，因此，所有大于0.5的值将转换为1，所有小于0.5的值将转换为0。

输出

Binarized data:
[
   [ 1. 0. 1.]
   [ 0. 1. 1.]
   [ 0. 0. 1.]
   [ 1. 1. 0.]
]

均值移除

此技术用于从特征向量中消除均值，以便每个特征都以零为中心。

示例

import numpy as np
from sklearn import preprocessing
Input_data = np.array(
   [2.1, -1.9, 5.5],
   [-1.5, 2.4, 3.5],
   [0.5, -7.9, 5.6],
   [5.9, 2.3, -5.8]]
)

#displaying the mean and the standard deviation of the input data
print("Mean =", input_data.mean(axis=0))
print("Stddeviation = ", input_data.std(axis=0))
#Removing the mean and the standard deviation of the input data

data_scaled = preprocessing.scale(input_data)
print("Mean_removed =", data_scaled.mean(axis=0))
print("Stddeviation_removed =", data_scaled.std(axis=0))

输出

Mean = [ 1.75 -1.275 2.2 ]
Stddeviation = [ 2.71431391 4.20022321 4.69414529]
Mean_removed = [ 1.11022302e-16 0.00000000e+00 0.00000000e+00]
Stddeviation_removed = [ 1. 1. 1.]

缩放

我们使用此预处理技术来缩放特征向量。特征向量的缩放很重要，因为特征不应该人为地过大或过小。

示例

import numpy as np
from sklearn import preprocessing
Input_data = np.array(
   [
      [2.1, -1.9, 5.5],
      [-1.5, 2.4, 3.5],
      [0.5, -7.9, 5.6],
      [5.9, 2.3, -5.8]
   ]
)
data_scaler_minmax = preprocessing.MinMaxScaler(feature_range=(0,1))
data_scaled_minmax = data_scaler_minmax.fit_transform(input_data)
print ("\nMin max scaled data:\n", data_scaled_minmax)

输出

Min max scaled data:
[
   [ 0.48648649 0.58252427 0.99122807]
   [ 0. 1. 0.81578947]
   [ 0.27027027 0. 1. ]
   [ 1. 0.99029126 0. ]
]

标准化

我们使用此预处理技术来修改特征向量。特征向量的标准化是必要的，以便可以以共同的尺度测量特征向量。标准化有以下两种类型：

L1标准化

也称为最小绝对偏差。它以这样的方式修改值，使得每一行的绝对值之和始终保持为1。以下示例显示了在输入数据上实现L1标准化的示例。

示例

import numpy as np
from sklearn import preprocessing
Input_data = np.array(
   [
      [2.1, -1.9, 5.5],
      [-1.5, 2.4, 3.5],
      [0.5, -7.9, 5.6],
      [5.9, 2.3, -5.8]
   ]
)
data_normalized_l1 = preprocessing.normalize(input_data, norm='l1')
print("\nL1 normalized data:\n", data_normalized_l1)

输出

L1 normalized data:
[
   [ 0.22105263 -0.2 0.57894737]
   [-0.2027027 0.32432432 0.47297297]
   [ 0.03571429 -0.56428571 0.4 ]
   [ 0.42142857 0.16428571 -0.41428571]
]

L2标准化

也称为最小二乘法。它以这样的方式修改值，使得每一行的平方和始终保持为1。以下示例显示了在输入数据上实现L2标准化的示例。

示例

import numpy as np
from sklearn import preprocessing
Input_data = np.array(
   [
      [2.1, -1.9, 5.5],
      [-1.5, 2.4, 3.5],
      [0.5, -7.9, 5.6],
      [5.9, 2.3, -5.8]
   ]
)
data_normalized_l2 = preprocessing.normalize(input_data, norm='l2')
print("\nL1 normalized data:\n", data_normalized_l2)

输出

L2 normalized data:
[
   [ 0.33946114 -0.30713151 0.88906489]
   [-0.33325106 0.53320169 0.7775858 ]
   [ 0.05156558 -0.81473612 0.57753446]
   [ 0.68706914 0.26784051 -0.6754239 ]
]

打印页面