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。
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;
|
|
|
|
实例说明
|
|
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
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。
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
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: