机器学习日记2017.1.9

来源：互联网发布：哥白尼式革命知乎编辑：程序博客网时间：2024/05/29 02:17

（《机器学习系统设计》第一章）

一、学习简单的Numpy、Scipy用法

Numpy：数组维数转换reshape()、对数组操作能传递到每一个元素、索引np.array()、修剪函数clip()、清洗~np.isnan()

Scipy工具包：

二、练习第一个（极小的）的机器学习应用

1.读取数据（一个月的web请求统计信息）

import scipy as spdata = sp.genfromtxt("web_traffic.tsv", delimiter="\t")print(data[:10])

验证输出：

[[ 1.00000000e+00 2.27200000e+03]
[ 2.00000000e+00 nan]
[ 3.00000000e+00 1.38600000e+03]
[ 4.00000000e+00 1.36500000e+03]
[ 5.00000000e+00 1.48800000e+03]
[ 6.00000000e+00 1.33700000e+03]
[ 7.00000000e+00 1.88300000e+03]
[ 8.00000000e+00 2.28300000e+03]
[ 9.00000000e+00 1.33500000e+03]
[ 1.00000000e+01 1.02500000e+03]]

2.预处理和清洗数据

分为两个向量：（更多功能：索引（indexing）、切割（slicing）、迭代（iterating））

x = data[:,0]y = data[:,1]

用~在逻辑上对数组取反，清洗掉无用项：

x = x[~sp.isnan(y)]y = y[~sp.isnan(y)]

3.将数据用Matplotlib在散点图上展示：

import matplotlib.pyplot as pltplt.scatter(x,y)plt.title("Web Traffic over the last month")plt.xlabel("Time")plt.ylabel("Hits/hour")plt.xticks([w*7*24 for w in range(10)],    ['week %i'%w for w in range(10)])plt.autoscale(tight=True)plt.grid()plt.show()

4.明确一下任务：

找到有噪数据背后真正模型
使用该模型预测未来

5.构建误差（预测值到真实值的平方距离）函数：

def error(f, x, y):    return sp.sum((f(x)-y)**2)

6.构建第一个模型：直线

fp1, residuals, rank, sv, rcond = sp.polyfit(x, y, 1, full=True)

ployfit()返回参数，即fp1，res为残差

>>> print("Model parameters: %s" % fp1)Model parameters: [   2.59619213  989.02487106]>>> print(residuals)[  3.17389767e+08]

所以，直线函数：f(x) = 2.59619213 * x + 989.02487106

然后依据这些参数创建模型函数

>>> f1 = sp.poly1d(fp1)>>> print(error(f1, x, y))317389767.34

绘图：

fx = sp.linspace(0,x[-1], 1000)plt.plot(fx, f1(fx), linewidth=4)plt.legend(["d=%i" % f1.order], loc="upper left")plt.scatter(x,y)plt.title("web traffic over the last month")plt.xlabel("Time")plt.ylabel("Hitshour")plt.xticks([w * 7 * 24 for w in range(10)],['week %i'%w for w in  range(10)])plt.autoscale(tight=True)plt.grid()plt.show()print(data)

8.分别用2、3、10、100阶来构建模型，并计算误差：

二阶代码：

>>> f2p = sp.polyfit(x,y,2)>>> print(f2p)[  1.05322215e-02  -5.26545650e+00   1.97476082e+03]>>> f2 = sp.poly1d(f2p)>>> print(error(f2, x, y))179983507.878

从误差error中可以发现结束越高，误差越小。但观察10阶和100阶的图像可以发现震荡剧烈，即发生了“过拟合”。

然后在利用2、3阶对边界预测时效果非常差，因此需要从其他角度理解数据。

9.尝试训练出两条直线，以3.5周为拐点

inflection = 3.5 * 7 * 24xa = x[:inflection]ya = y[:inflection]xb = x[inflection:]yb = y[inflection:]fa = sp.poly1d(sp.polyfit(xa, ya, 1))fb = sp.poly1d(sp.polyfit(xb, yb, 1))fa_error = error(fa, xa, ya)fb_error = error(fb, xb, yb)print("Error inflection=%d" % (fa_error + fb_error))

当1、2、3、10、53相比较时可看出高阶阶效果仍不好（图片来自网络），2阶预测效果最佳

10.训练与测试

0 0