scikit-learn基础使用之一

scikit-learn是机器学习非常常用的一个包，通过scikit-learn可以方便进行机器学习算法的使用，下面总结自己在使用过程中的常用的通用方法，本文参考

1 估计器（Esimator）

估计器在很多时候可以理解成分类器，主要包括两个函数：

• fit():预测测试集的类别，参数为训练集和类别两个参数；
• predict():预测测试集的类别，参数为测试集

from sklearn.linear_model import LinearRegressionlinreg = LinearRegression(normalize=True)linreg.fit(train_x, train_y)print(linreg.intercept_)print(linreg.coef_)from sklearn import metrics# 用scikit-learn计算MSEprd_y = linreg.predict(train_x)

2 转换器（Transformer）

转换器通常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。

3 流水线（Pipline）

流水线的功能：

• 跟踪记录各个步骤的操作（以方便地重现实验结果）
• 对各个步骤进行一个封装
• 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。
每一步都使用一个元组（名称：步骤）来表示，示例如下：

from sklearn.preprocessing import StandardScalerfrom sklearn.svm import SVRfrom sklearn.svm import SVCfrom sklearn.pipeline import Pipelinepipe_lr = Pipeline([('sc', StandardScaler()),                    ('clf', SVR())                    ])pipe_lr.fit(self.train_x, self.train_y)pipe_lr.predict(self.train_x)return pipe_lr

4 预处理

预处理主要在sklearn.processing包下

规范化：

• MinMaxScaler:最大值最小值规范化
• Normalizer:使得每条数据各特征值的和为1
• StandardScaler：为使各特征值均值为0，方差为1

编码

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

5 特征

5.1 特征抽取

package: 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，他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。特征选择的另一个有点在于：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非常有限。

• DictVectorizer: 将dict类型的list数据转换为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: 将文本转化为tfidf值的向量
• text.HashingVectorizer: 文本的特征哈希

5.2 特征选择

package: sklearn.feature_selection
特征选择的原因如下：

• 降低复杂度
• 降低噪音
• 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

单个特征和某个类别之间相关性的计算方法有很多，最常用的有卡方检验，还比如互信息和信息熵。
chi2： 卡法检验

6 降维

package: sklearn.decomposition

• 主成分分析算法PCA（Principal Component Analysis）目的是找到能够使用较少信息描述数据集的特征组合，他意在发现彼此之间没有相关性、能够描述数据集的特征，确切地说，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分析，也就是说，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。

7 组合

package: sklearn.ensemble
组合技术通过聚类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包括：

处理训练数据集

通过某种抽样，对原始数据进行再抽样，得到多个训练集，常用的方法有bagging、boosting。
bagging: 根据均匀概率分布从数据集中重复抽样，每个自助样本集和原数据集一样大，每个自动样本集合含有原数据集大约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别；
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，一是如何更新样本的权值，二是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的重要性依赖于他的错误率。
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很强的集成；bagging关注降低方差，因此它在不减枝的决策树、神经网络等学习器上效用更明显。
偏差是指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。

处理输入特征

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

处理类标号

适用于多分类的情况，将类标号随机划分为两个不相交的子集，再把问题变为二分问题，重复构建多次模型，进行投票。

• 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
• GradientBoostingRegerssor: 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

8 模型评估

package: sklearn.metrics
包括评分方法，性能度量、成对度量和距离计算。
分类结果度量
参数大多数是y_true,y_pred

• accuracy_score: 分类准确度
• condusion_matrix: 分类混淆举证
• 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是以每个累呗为基础进行定义，包括两个概念，准确率和召回率。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。召回率是指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平均数。

回归结果度量

• explained_variance_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: 平均平法误差

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

交叉验证

package: 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
• LeaveOneLableOut: LeaveOneLableOut交叉验证迭代器
• LeavePLableOut: LeavePLabelOut交叉验证迭代器

#coding=utf-8import numpy as npimport sklearnfrom sklearnimport cross_validationX = 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_testif __name__ == '__main__':      show_cross_val("lpo")#作者：Cer_ml#链接：http://www.jianshu.com/p/516f009c0875#來源：简书#著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

常用方法

• train_test_split: 分离训练集和测试集
• 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

10 网格搜索

package: sklearn.grid_search
网格搜索最佳参数

• GridSearchCV：搜索制定参数网格中的最佳参数
• ParameterGrid：参数网格
• ParameterSample: 用给定分布生成参数的生成器
• RandomizedSearchCV: 超参数的随机搜索
  通过best_estimator_.get_params()方法获取最佳参数

11 多分类、多标签分类

package: sklearn.multiclass

• OneVsRestClassifier: 1-rest多分类策略
• OneVsOneClassifier: 1-1多分类策略
• OutputCodeClassifier：1个类用一个二进制码标识

#coding=utf-8from sklearn import metricsfrom sklearn import cross_validationfrom sklearn.svm import SVCfrom sklearn.multiclass import OneVsRestClassifierfrom sklearn.preprocessing import MultiLabelBinarizerimport numpy as npfrom numpy import randomX=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 predicteddef 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 predictedif __name__ == '__main__':  multiclassSVM()  # multilabelSVM()#作者：Cer_ml#链接：http://www.jianshu.com/p/516f009c0875#來源：简书#著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

上面代码测试了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，所以要用MultiLabelBinarizer()先处理。

总结

上面的用法是参考Scikit-learn使用总结，主要包括使用sklearn的基本函数。
从机器学习流程来梳理，[参考](
http://naotu.baidu.com/file/37966a3b5e5c8429547ff90960849edb?token=59dfb6bcfc60ca8d)