sklearn学习笔记

官网：http://sklearn.lzjqsdd.com/

1 scikit-learn基础介绍

1.1 估计器（Estimator）

估计器，很多时候可以直接理解成分类器，主要包含两个函数：

●fit()：训练算法，设置内部参数。接收训练集和类别两个参数。
●predict()：预测测试集类别，参数为测试集。
大多数scikit-learn估计器接收和输出的数据格式均为numpy数组或类似格式。

1.2 转换器（Transformer）

转换器用于数据预处理和数据转换，主要是三个方法：

●fit()：训练算法，设置内部参数。
●transform()：数据转换。
●fit_transform()：合并fit和transform两个方法。

1.3 流水线（Pipeline）

sklearn.pipeline包
流水线的功能：
●跟踪记录各步骤的操作（以方便地重现实验结果）
●对各步骤进行一个封装
●确保代码的复杂程度不至于超出掌控范围

基本使用方法

流水线的输入为一连串的数据挖掘步骤，其中最后一步必须是估计器，前几步是转换器。输入的数据集经过转换器的处理后，输出的结果作为下一步的输入。最后，用位于流水线最后一步的估计器对数据进行分类。
每一步都用元组（ ‘名称’，步骤）来表示。现在来创建流水线。

scaling_pipeline = Pipeline([
  ('scale', MinMaxScaler()),
  ('predict', KNeighborsClassifier())
])

1.4 预处理

主要在sklearn.preprcessing包下。

规范化：
●MinMaxScaler :最大最小值规范化
●Normalizer :使每条数据各特征值的和为1
●StandardScaler :为使各特征的均值为0，方差为1

编码：
●LabelEncoder ：把字符串类型的数据转化为整型
●OneHotEncoder ：特征用一个二进制数字来表示
●Binarizer :为将数值型特征的二值化
●MultiLabelBinarizer：多标签二值化

1.5 特征

1.5.1 特征抽取

包：sklearn.feature_extraction
特征抽取是数据挖掘任务最为重要的一个环节，一般而言，它对最终结果的影响要高过数据挖掘算法本身。只有先把现实用特征表示出来，才能借助数据挖掘的力量找到问题的答案。特征选择的另一个优点在于：降低真实世界的复杂度，模型比现实更容易操纵。
一般最常使用的特征抽取技术都是高度针对具体领域的，对于特定的领域，如图像处理，在过去一段时间已经开发了各种特征抽取的技术，但这些技术在其他领域的应用却非常有限。

●DictVectorizer： 将dict类型的list数据，转换成numpy array
●FeatureHasher ： 特征哈希，相当于一种降维技巧
●image：图像相关的特征抽取
●text： 文本相关的特征抽取
●text.CountVectorizer：将文本转换为每个词出现的个数的向量
●text.TfidfVectorizer：将文本转换为tfidf值的向量
●text.HashingVectorizer：文本的特征哈希

示例

CountVectorize只数出现个数

TfidfVectorizer：个数+归一化（不包括idf）

TF-IDF（Term Frequency-Inverse Document Frequency，词频和逆向文件频率）对每个单词做进一步考量。

TF（词频）的计算很简单，就是针对一个文件t，某个单词Nt 出现在该文档中的频率。比如文档“I love this movie”，单词“love”的TF为1/4。如果去掉停用词“I”和”it“，则为1/2。

IDF（逆向文件频率）的意义是，对于某个单词t，凡是出现了该单词的文档数Dt，占了全部测试文档D的比例，再求自然对数。

比如单词“movie“一共出现了5次，而文档总数为12，因此IDF为ln(5/12)。

很显然，IDF是为了凸显那种出现的少，但是占有强烈感情色彩的词语。比如“movie”这样的词的IDF=ln(12/5)=0.88，远小于“love”的IDF=ln(12/1)=2.48。

TF-IDF就是把二者简单的乘在一起即可。这样，求出每个文档中，每个单词的TF-IDF，就是我们提取得到的文本特征值。

sklearn.feature_extraction.DictVectorizer类基于One-Hot Encoding 独热编码提取分类特征；
sklearn.feature_extraction.text.CountVectorizer类基于词库模型将文字转换成特征向量；
sklearn.feature_extraction.text.TfidfVectorizer类可以统计TF-IDF词频；

# DictVectorizer()将dict类型的list数据转化成numpy array
# fit()：训练算法，设置内部参数
# transform()：数据转换
# fit_transform()：合并fit和transform两个方法

from sklearn.feature_extraction import DictVectorizer
onehot_encoder = DictVectorizer()
instances = [{'city': 'New York'},{'city': 'Los Angeles'}, {'city': 'San Antonio'}]
print(onehot_encoder.fit_transform(instances).toarray())

'''
otu:
[[ 0.  1.  0.]
 [ 1.  0.  0.]
 [ 0.  0.  1.]]
'''

# CountVectorizer类通过正则表达式用空格分割句子，然后抽取长度大于等于2的字母序列

from sklearn.feature_extraction.text import CountVectorizer
corpus = [  
    'Today the weather is sunny',  
    'Sunny day weather is suitable to exercise ',  
    'I ate a Hotdog'  
]  
vectorizer = CountVectorizer()  
print (vectorizer.fit_transform(corpus).todense())  
print (vectorizer.vocabulary_)  

'''
out:
[[0 0 0 0 1 0 1 1 0 1 1]
 [0 1 1 0 1 1 1 0 1 0 1]
 [1 0 0 1 0 0 0 0 0 0 0]]
{u'ate': 0, u'is': 4, u'sunny': 6, u'to': 8, u'weather': 10, u'today': 9, u'the': 7, u'suitable': 5, u'day': 1, u'exercise': 2, u'hotdog': 3}
'''

from sklearn.feature_extraction.text import TfidfVectorizer  
corpus = [  
'The dog ate a sandwich and I ate a sandwich',  
'The wizard transfigured a sandwich'  
]  
vectorizer = TfidfVectorizer(stop_words='english')  
print(vectorizer.fit_transform(corpus).todense())  
print(vectorizer.vocabulary_)  
  
out:  
[[ 0.75458397  0.37729199  0.53689271  0.          0.        ]  
 [ 0.          0.          0.44943642  0.6316672   0.6316672 ]]  
{'wizard': 4, 'transfigured': 3, 'ate': 0, 'dog': 1, 'sandwich': 2}  
#通过TF-IDF加权之后，我们会发现在文集中较常见的词，如sandwich被调整了。

实例说明

# -*- coding: utf-8 -*-  
import scipy as sp  
import numpy as np  
from sklearn.datasets import load_files  
from sklearn.cross_validation import train_test_split  
from sklearn.feature_extraction.text import  TfidfVectorizer  
  
movie_reviews = load_files('data')    
doc_terms_train, doc_terms_test, y_train, y_test = train_test_split(movie_reviews.data, movie_reviews.target, test_size = 0.3)  

count_vec = TfidfVectorizer(binary = False, decode_error = 'ignore',stop_words = 'english')  
x_train = count_vec.fit_transform(doc_terms_train)  
x_test  = count_vec.transform(doc_terms_test)  
x       = count_vec.transform(movie_reviews.data)  
y       = movie_reviews.target  
print(doc_terms_train)  
print(count_vec.get_feature_names())  
print(x_train.toarray())  
print(movie_reviews.target) 

'''
词频的计算使用的是sklearn的TfidfVectorizer。这个类继承于CountVectorizer，在后者基本的词频统计基础上增加了如TF-IDF之类的功能。

我们会发现这里计算的结果跟我们之前计算不太一样。因为这里count_vec构造时默认传递了max_df=1，因此TF-IDF都做了规格化处理，以便将所有值约束在[0,1]之间。

count_vec.fit_transform的结果是一个巨大的矩阵。可以看到上表中有大量的0，因此sklearn在内部实现上使用了稀疏矩阵。本例子数据较小。
'''

data地址：
http://pan.baidu.com/s/1bpEN00v

1.5.2 特征选择

包：sklearn.feature_selection
特征选择的原因如下：
(1)降低复杂度
(2)降低噪音
(3)增加模型可读性

●VarianceThreshold： 删除特征值的方差达不到最低标准的特征
●SelectKBest： 返回k个最佳特征
●SelectPercentile： 返回表现最佳的前r%个特征
单个特征和某一类别之间相关性的计算方法有很多。最常用的有卡方检验（χ2）。其他方法还有互信息和信息熵。

●chi2： 卡方检验（χ2）

1.6 降维

包：sklearn.decomposition

●主成分分析算法（Principal Component Analysis， PCA）的目的是找到能用较少信息描述数据集的特征组合。它意在发现彼此之间没有相关性、能够描述数据集的特征，确切说这些特征的方差跟整体方差没有多大差距，这样的特征也被称为主成分。这也就意味着，借助这种方法，就能通过更少的特征捕获到数据集的大部分信息。

1.7 组合

包：sklearn.ensemble
组合技术即通过聚集多个分类器的预测来提高分类准确率。
常用的组合分类器方法：
(1)通过处理训练数据集。即通过某种抽样分布，对原始数据进行再抽样，得到多个训练集。常用的方法有装袋（bagging）和提升（boosting）。
(2)通过处理输入特征。即通过选择输入特征的子集形成每个训练集。适用于有大量冗余特征的数据集。随机森林（Random forest）就是一种处理输入特征的组合方法。
(3)通过处理类标号。适用于多分类的情况，将类标号随机划分成两个不相交的子集，再把问题变为二分类问题，重复构建多次模型，进行分类投票。

●BaggingClassifier： Bagging分类器组合
●BaggingRegressor： Bagging回归器组合
●AdaBoostClassifier： AdaBoost分类器组合
●AdaBoostRegressor： AdaBoost回归器组合
●GradientBoostingClassifier：GradientBoosting分类器组合
●GradientBoostingRegressor： GradientBoosting回归器组合
●ExtraTreeClassifier：ExtraTree分类器组合
●ExtraTreeRegressor： ExtraTree回归器组合
●RandomTreeClassifier：随机森林分类器组合
●RandomTreeRegressor： 随机森林回归器组合

使用举例

AdaBoostClassifier(DecisionTreeClassifier(max_depth=1),
algorithm="SAMME",
n_estimators=200)

解释
装袋（bagging）：根据均匀概率分布从数据集中重复抽样（有放回），每个自助样本集和原数据集一样大，每个自助样本集含有原数据集大约63%的数据。训练k个分类器，测试样本被指派到得票最高的类。
提升（boosting）：通过给样本设置不同的权值，每轮迭代调整权值。不同的提升算法之间的差别，一般是（1）如何更新样本的权值，（2）如何组合每个分类器的预测。其中Adaboost中，样本权值是增加那些被错误分类的样本的权值，分类器C_i的重要性依赖于它的错误率。
Boosting主要关注降低偏差，因此Boosting能基于泛化性能相当弱的学习器构建出很强的集成；Bagging主要关注降低方差，因此它在不剪枝的决策树、神经网络等学习器上效用更为明显。偏差指的是算法的期望预测与真实预测之间的偏差程度，反应了模型本身的拟合能力；方差度量了同等大小的训练集的变动导致学习性能的变化，刻画了数据扰动所导致的影响。

1.8 模型评估（度量）

包：sklearn.metrics
sklearn.metrics包含评分方法、性能度量、成对度量和距离计算。
分类结果度量
参数大多是y_true和y_pred。

●accuracy_score：分类准确度
●condusion_matrix ：分类混淆矩阵
●classification_report：分类报告
●precision_recall_fscore_support：计算精确度、召回率、f、支持率
●jaccard_similarity_score：计算jcaard相似度
●hamming_loss：计算汉明损失
●zero_one_loss：0-1损失
●hinge_loss：计算hinge损失
●log_loss：计算log损失
其中，F1是以每个类别为基础进行定义的，包括两个概念：准确率（precision）和召回率（recall）。准确率是指预测结果属于某一类的个体，实际属于该类的比例。召回率是被正确预测为某类的个体，与数据集中该类个体总数的比例。F1是准确率和召回率的调和平均数。

回归结果度量
●explained_varicance_score：可解释方差的回归评分函数
●mean_absolute_error：平均绝对误差
●mean_squared_error：平均平方误差

多标签的度量
●coverage_error：涵盖误差
●label_ranking_average_precision_score：计算基于排名的平均误差Label ●ranking average precision (LRAP)

聚类的度量
●adjusted_mutual_info_score：调整的互信息评分
●silhouette_score：所有样本的轮廓系数的平均值
●silhouette_sample：所有样本的轮廓系数

1.9 交叉验证

包：sklearn.cross_validation

●KFold：K-Fold交叉验证迭代器。接收元素个数、fold数、是否清洗
●LeaveOneOut：LeaveOneOut交叉验证迭代器
●LeavePOut：LeavePOut交叉验证迭代器
●LeaveOneLableOut：LeaveOneLableOut交叉验证迭代器
●LeavePLabelOut：LeavePLabelOut交叉验证迭代器

LeaveOneOut(n) 相当于 KFold(n, n_folds=n) 相当于LeavePOut(n, p=1)。LeaveP和LeaveOne差别在于leave的个数，也就是测试集的尺寸。LeavePLabel和LeaveOneLabel差别在于leave的Label的种类的个数LeavePLabel这种设计是针对可能存在第三方的Label，比如我们的数据是一些季度的数据。那么很自然的一个想法就是把1,2,3个季度的数据当做训练集，第4个季度的数据当做测试集。这个时候只要输入每个样本对应的季度Label，就可以实现这样的功能。
以下是实验代码，尽量自己多实验去理解。

#coding=utf-8
import numpy as np
import sklearnfrom sklearn
import cross_validation
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8],[9, 10]])
y = np.array([1, 2, 1, 2, 3])
def show_cross_val(method):    
  if method == "lolo":        
    labels = np.array(["summer", "winter", "summer", "winter", "spring"])        
    cv = cross_validation.LeaveOneLabelOut(labels)          
  elif method == 'lplo':        
    labels = np.array(["summer", "winter", "summer", "winter", "spring"])        
    cv = cross_validation.LeavePLabelOut(labels,p=2)    
  elif method == 'loo':        
    cv = cross_validation.LeaveOneOut(n=len(y))    
  elif method == 'lpo':        
    cv = cross_validation.LeavePOut(n=len(y),p=3)    
  for train_index, test_index in cv:        
    print("TRAIN:", train_index, "TEST:", test_index)        
    X_train, X_test = X[train_index], X[test_index]        
    y_train, y_test = y[train_index], y[test_index]        
    print "X_train: ",X_train        
    print "y_train: ", y_train        
    print "X_test: ",X_test        
    print "y_test: ",y_test
if __name__ == '__main__':    
  show_cross_val("lpo")

常用方法
●train_test_split：分离训练集和测试集（不是K-Fold）
●cross_val_score：交叉验证评分，可以指认cv为上面的类的实例
●cross_val_predict：交叉验证的预测。

1.10 网格搜索

包：sklearn.grid_search
网格搜索最佳参数

●GridSearchCV：搜索指定参数网格中的最佳参数
●ParameterGrid：参数网格
●ParameterSampler：用给定分布生成参数的生成器
●RandomizedSearchCV：超参的随机搜索
通过bestestimator.get_params()方法，获取最佳参数。

1.11 多分类、多标签分类

包：sklearn.multiclass

●OneVsRestClassifier：1-rest多分类（多标签）策略
●OneVsOneClassifier：1-1多分类策略
●OutputCodeClassifier：1个类用一个二进制码表示
示例代码

#coding=utf-8
from sklearn import metrics
from sklearn import cross_validation
from sklearn.svm import SVC
from sklearn.multiclass import OneVsRestClassifier
from sklearn.preprocessing import MultiLabelBinarizer
import numpy as np
from numpy import random
X=np.arange(15).reshape(5,3)
y=np.arange(5)
Y_1 = np.arange(5)
random.shuffle(Y_1)
Y_2 = np.arange(5)
random.shuffle(Y_2)
Y = np.c_[Y_1,Y_2]
def multiclassSVM():
  X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=0.2,random_state=0)
  model = OneVsRestClassifier(SVC())
  model.fit(X_train, y_train)
  predicted = model.predict(X_test)
  print predicted
def multilabelSVM():
  Y_enc = MultiLabelBinarizer().fit_transform(Y)
  X_train, X_test, Y_train, Y_test = cross_validation.train_test_split(X, Y_enc, test_size=0.2, random_state=0)
  model = OneVsRestClassifier(SVC())
  model.fit(X_train, Y_train)
  predicted = model.predict(X_test)
  print predicted
if __name__ == '__main__':
  multiclassSVM()
  # multilabelSVM()

上面的代码测试了svm在OneVsRestClassifier的包装下，分别处理多分类和多标签的情况。特别注意，在多标签的情况下，输入必须是二值化的。所以需要MultiLabelBinarizer()先处理。

2 具体模型

2.1 朴素贝叶斯（Naive Bayes）

包：**sklearn.cross_validation

朴素贝叶斯的特点是分类速度快，分类效果不一定是最好的。

●GasussianNB：高斯分布的朴素贝叶斯
●MultinomialNB：多项式分布的朴素贝叶斯
●BernoulliNB：伯努利分布的朴素贝叶斯
所谓使用什么分布的朴素贝叶斯，就是假设P(x_i|y)是符合哪一种分布，比如可以假设其服从高斯分布，然后用最大似然法估计高斯分布的参数。

高斯分布

多项式分布

伯努利分布

3 scikit-learn扩展

3.0 概览

具体的扩展，通常要继承sklearn.base包下的类。

●BaseEstimator： 估计器的基类
●ClassifierMixin ：分类器的混合类
●ClusterMixin：聚类器的混合类
●RegressorMixin ：回归器的混合类
●TransformerMixin ：转换器的混合类

关于什么是Mixin（混合类），具体可以看这个知乎链接。简单地理解，就是带有实现方法的接口，可以将其看做是组合模式的一种实现。举个例子，比如说常用的TfidfTransformer，继承了BaseEstimator， TransformerMixin，因此它的基本功能就是单一职责的估计器和转换器的组合。

3.1 创建自己的转换器

在特征抽取的时候，经常会发现自己的一些数据预处理的方法，sklearn里可能没有实现，但若直接在数据上改，又容易将代码弄得混乱，难以重现实验。这个时候最好自己创建一个转换器，在后面将这个转换器放到pipeline里，统一管理。
例如《Python数据挖掘入门与实战》书中的例子，我们想接收一个numpy数组，根据其均值将其离散化，任何高于均值的特征值替换为1，小于或等于均值的替换为0。
代码实现：

from sklearn.base import TransformerMixin
from sklearn.utils import as_float_array

class MeanDiscrete(TransformerMixin):

  #计算出数据集的均值，用内部变量保存该值。  
  def fit(self, X, y=None):
        X = as_float_array(X)
        self.mean = np.mean(X, axis=0)
        #返回self，确保在转换器中能够进行链式调用（例如调用transformer.fit(X).transform(X)）
        return self

    def transform(self, X):
        X = as_float_array(X)
        assert X.shape[1] == self.mean.shape[0]
        return X > self.mean