机器学习（二）

机器学习

• 3.分类算法
• • 3.1 sklearn转换器和估计器
  • • 3.1.1 转换器
    • 3.1.2 估计器(在sklearn实现机器学习算法)
  • 3.2 K-近邻算法
  • • 3.2.1 什么是K-近邻算法
    • 3.2.2 K-近邻算法API
    • 3.2.3 案例：鸢尾花种类预测
    • 3.2.4 K-近邻总结
  • 3.3 模型选择与调优
  • • 3.3.1 交叉验证（cross vaildation）
    • 3.3.2 超参数搜索-网络搜索(Grid Search)
    • 3.3.3 鸢尾花案例增加K值调优
  • 3.4 朴素贝叶斯算法
  • • 3.4.1 复习概率
    • 3.4.2 应用于文章分类
    • 3.4.3 API

3.分类算法

3.1 sklearn转换器和估计器

3.1.1 转换器

特征工程的接口被称为转换器，其中转换器调用有这么几种形式：

• fit_transform
• fit
• transform

3.1.2 估计器(在sklearn实现机器学习算法)

在sklearn里面，估计器（estimator）是一类实现了算法的API。

• 用于分类的估计器：
  • sklearn.neighbors KNN算法
  • sklearn.naive_bayes 贝叶斯
  • sklearn.linear_model.LogisticRegression 逻辑回归
  • sklearn.tree 决策树与随机森林
• 用于回归的估计器：
  • sklearn.linear_model.LinearRegression 线性回归
  • sklearn.linear_model.Ridge 岭回归
• 用于无监督学习的估计器
  • sklearn.cluster.KMeans 聚类

如何使用？

1. 实例化一个estimator.
2. estimator.fit(x_train , y_train) 生成模型
3. 模型评估：
   • 直接比对真实值和预测值
     • y_predict = estimator.predict(x_test)
     • y_test == y_predict
   • 计算准确率
     • estimator.score(x_test,y_test)

3.2 K-近邻算法

3.2.1 什么是K-近邻算法

1. 核心思想：根据你的”邻居“来推断出你的类别。

2. 定义：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于一个类别，则该样本也属于这个类别。

   其中k值

   • 不能太小，容易受到异常值的影响。
   • 不能太大，会受到样本不均衡的影响。

3. 如何计算距离：

   • 欧式距离
   • 曼哈顿距离
   • 闵可夫斯基距离

3.2.2 K-近邻算法API

sklearn.neighbors.KNeighborsClassifier(n_neighbors = 5,algorithm = 'auto')
	#  n_neighbors : int, default=5 Number of neighbors to use by default for :meth:`kneighbors` queries.
    # alogrithm : {'auto','ball_tree','kd_tree','brute'} 可选用计算最近邻居的算法
    	# algorithm : {'auto', 'ball_tree', 'kd_tree', 'brute'}, default='auto'
        # Algorithm used to compute the nearest neighbors:

        # - 'ball_tree' will use :class:`BallTree`
        # - 'kd_tree' will use :class:`KDTree`
        # - 'brute' will use a brute-force search.
        # - 'auto' will attempt to decide the most appropriate algorithm
        #   based on the values passed to :meth:`fit` method.

        # Note: fitting on sparse input will override the setting of
        # this parameter, using brute force.

3.2.3 案例：鸢尾花种类预测

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


def neighbor_demo():
    """
    KNN算法进行鸢尾花种类预测
    :return:
    """
    # 1. 导入数据
    data = load_iris()
    # 2. 划分数据集
    x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.25, random_state=10)
    # random_state可以保证每次运行结果相同
    # 3. 标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)  # 测试集要用训练集的标准差和均值进行标准化,不然两者就不能投射到一块,后续无法进行模型评估
    # 4. 模型训练
    estimator = KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train, y_train)
    # 5. 模型评估
    # 方法1: 直接对比真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接对比真实值和预测值:\n", y_test == y_predict)
    # 方法2: 计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率:\n", score)
    return None


if __name__ == '__main__':
    neighbor_demo()

3.2.4 K-近邻总结

• 优点：简单、易于理解、易于实现、无需训练（KNN 是一种懒惰学习（lazy learning）算法，这意味着它在训练阶段并不构建模型，而是在测试阶段才进行计算。）
• 缺点：
  • 懒惰算法，对测试样本分类时计算量大，内存开销大
  • 必须指定k值，k值选择不当则分类精度不能保证
• 使用场景：小数据场景，几千~几万样本，具体场景具体业务去测试

3.3 模型选择与调优

3.3.1 交叉验证（cross vaildation）

交叉验证：将拿到的训练数据，分为训练和验证集。以下图为例：将数据分为4份，其中一份作为验证集。然后经过4次(组)的测试，每次都更换不同的验证集。即得到4组模型的结果，取平均值作为最终结果。又称为4折交叉验证。

交叉验证目的：为了让被评估的模型更加准确可信。

3.3.2 超参数搜索-网络搜索(Grid Search)

1. 通常情况下，有很多参数是需要手动指定的，这种叫超参数。但是手动过程繁琐，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。

2. 模型的选择与调优API

   • 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
     • score() : 准确率
   • 结果分析：
     • 最佳参数 ：best_params_
     • 最佳结果 ： best_score_
     • 最佳估计器 ：best_estimator_
     • 交叉验证结果 ： cv_results_

3.3.3 鸢尾花案例增加K值调优

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


def neighbor_demo():
    """
    KNN算法进行鸢尾花种类预测
    :return:
    """
    # 1. 导入数据
    data = load_iris()
    # 2. 划分数据集
    x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=10)
    # random_state可以保证每次运行结果相同
    # 3. 标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)  # 测试集要用训练集的标准差和均值进行标准化,不然两者就不能投射到一块,后续无法进行模型评估
    # 4. 模型训练
    estimator = KNeighborsClassifier()

    # 5. 参数调优
    param_dict = {"n_neighbors": [1, 3, 5, 7, 9, 11, 13, 15]}
    estimator = GridSearchCV(estimator, param_grid=param_dict, cv=5)  # 返回拟合估计器实例
    estimator.fit(x_train, y_train)
    # 5. 模型评估
    # 方法1: 直接对比真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接对比真实值和预测值:\n", y_test == y_predict)
    # 方法2: 计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率:\n", score)
    # 最佳参数
    print("最佳参数:\n", estimator.best_params_)
    print("最佳结果:\n", estimator.best_score_)
    print("最佳模型:\n", estimator.best_estimator_)
    print("交叉验证结果:\n", estimator.cv_results_)
    return None


if __name__ == '__main__':
    neighbor_demo()

3.4 朴素贝叶斯算法

朴素贝叶斯算法 = 朴素（假设特征与特征之间是相互独立的） + 贝叶斯（概率里面的贝叶斯公式）

常应用于文本分类

3.4.1 复习概率

• 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)
• 相互独立：如果P(A,B) = P(A) * p(B),则称事件A与事件B相互独立。
• 贝叶斯公式：
  

3.4.2 应用于文章分类

如果计算出来某个概率为0的话，需要引入拉普拉斯平滑系数，从而去防止计算出来的分类概率为0。

3.4.3 API

sklearn.naive_bayes.MultinomialNB(alpha = 1.0)

• aplha：拉普拉斯平滑系数，默认为 1.0 。