凡是过往，皆为序章

0%

机器学习_04(分类算法knn与bayes)

发表于 更新于 分类于 阅读次数： Valine：
本文字数： 1.7k 阅读时长 ≈ 6 分钟

一些主要的分类算法介绍。

sklearn转换器和估计器

转换器

我们把特征工程的接口称之为转换器，其中转换器调用有这么几种形式

  • fit_transform
  • fit —— 计算
  • transform —— 进行最终的转换

估计器

在sklearn中，估计器(estimator)是一个重要的角色，是一类实现了算法的API

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

步骤

1、实例化一个estimator（转换器）

2、estimator.fit (x_train, y_train) 计算

——调用完毕，生成模型

3、模型评估：

​ （1）直接对比真实值和预估值

​ y_predict = estimator.predict(x_test)

​ y_test == y_predict

​ （2）计算准确率

​ accuracy = extimator.score(x_test, y_test)

K-近邻算法

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某一个类别，则该样本也属于这个类别。

来源：KNN算法最早是由Cover和Hart提出的一种分类算法

距离公式

两个样本的距离可以通过如下公式计算，又叫欧式距离。

还有其他的距离公式，如：曼哈顿距离，明可夫斯基距离等。

K-近邻算法API

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=’auto’)

  • n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数
  • algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用 BallTree，‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)

案例：基于鸢尾花数据集的KNN算法实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
"""
fit：原义指的是安装、使适合的意思，其实有点train的含义但是和train不同的是，
    它并不是一个训练的过程，而是一个适配的过程，过程都是定死的，最后只是得到了一个统一的转换的规则模型。
transform：是将数据进行转换，比如数据的归一化和标准化，将测试数据按照训练数据同样的模型进行转换，得到特征向量。

fit_transform：可以看做是fit和transform的结合，
    如果训练阶段使用fit_transform，则在测试阶段只需要对测试样本进行transform就行了。
"""

def knn_iris():
    """
    用 knn 算法对鸢尾花进行分类
    """
    # 1、获取数据
    iris = load_iris()

    # 2、划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)

    # 3、特征工程进行标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train) # 训练阶段用fit_transform
    x_test = transfer.transform(x_test)		  # 测试阶段使用transform

    # 4、KNN算法预估器
    estimator = KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train, y_train)

    # 5、模型评估
    # 方法1：直接比对真实值和预估值
    y_predict = estimator.predict(x_test)
    print("y_predict:", y_predict)
    print("直接对比真实值和预估值:", y_test == y_predict)

    # 方法2:计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为: ", score)
    return None

交叉验证和网格搜索

什么是交叉验证(cross validation)

交叉验证，就是将拿到的训练数据，分为训练和验证集。

即 为了让从训练得到模型结果更加准确。做以下处理

  • 训练集：训练集+验证集
  • 测试集：测试集

以下图为例：将数据分成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

通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫超参数。但是手动过程繁杂，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。

超参数是在机器开始学习之前设置，不是通过训练得到的。

交叉验证，网格搜索（模型选择与调优）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
  • fit：输入训练数据
  • score：准确率
  • 结果分析：
    • bestscore__:在交叉验证中验证的最好结果
    • bestestimator：最好的参数模型
    • cvresults:每次交叉验证后的验证集准确率结果和训练集准确率结果

参考链接：https://blog.csdn.net/hohaizx/article/details/81013985

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier

"""
fit：原义指的是安装、使适合的意思，其实有点train的含义但是和train不同的是，
    它并不是一个训练的过程，而是一个适配的过程，过程都是定死的，最后只是得到了一个统一的转换的规则模型。
transform：是将数据进行转换，比如数据的归一化和标准化，将测试数据按照训练数据同样的模型进行转换，得到特征向量。

fit_transform：可以看做是fit和transform的结合，
    如果训练阶段使用fit_transform，则在测试阶段只需要对测试样本进行transform就行了。
"""

def knn_iris():
    # 1、获取数据集
    iris = load_iris()
    # 2、数据基本处理 -- 划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)
    # 3、特征工程：标准化
    # 实例化一个转换器类
    transfer = StandardScaler()
    # 调用fit_transform
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    # 4、KNN预估器流程
    #  4.1 实例化预估器类
    estimator = KNeighborsClassifier()

    # 4.2 模型选择与调优——网格搜索和交叉验证
    # 准备要调的超参数
    param_dict = {"n_neighbors": [1, 3, 5]}
    estimator = GridSearchCV(estimator, param_grid=param_dict, cv=5)
    # 4.3 fit数据进行训练
    estimator.fit(x_train, y_train)
    # 5、评估模型效果
    # 方法a：比对预测结果和真实值
    y_predict = estimator.predict(x_test)
    print("比对预测结果和真实值：\n", y_predict == y_test)
    # 方法b：直接计算准确率
    score = estimator.score(x_test, y_test)
    print("直接计算准确率：\n", score)

    print("在交叉验证中验证的最好结果：\n", estimator.best_score_)
    print("最好的参数模型：\n", estimator.best_estimator_)
    print("每次交叉验证后的准确率结果：\n", estimator.cv_results_)


if __name__ == "__main__":
    knn_iris()
    # plot_iris()

朴素贝叶斯算法

先初步给出代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
from sklearn.naive_bayes import MultinomialNB
from sklearn.datasets import fetch_20newsgroups
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer


def nb_news():
    """
    用 朴素贝叶斯 方法对新闻进行分类
    :return:
    """
    news = fetch_20newsgroups(subset='all')
    
    x_train, x_test, y_train, y_test = train_test_split(news.data, news.target)
    
    transfer = TfidfVectorizer()
    
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    
    estimator = MultinomialNB()
    estimator.fit(x_train, y_train)

    y_predict = estimator.predict(x_test)
    print(y_predict)
    print(y_predict == y_test)

    score = estimator.score(x_test, y_test)
    print(score)

    return None


if __name__ == "__main__":
    nb_news()
~感谢你请我吃糖果~
-------------本文结束，感谢您的阅读，欢迎评论留言！-------------