Python之Sklearn使用入門教程

更新時間：2021年02月19日 16:35:46 作者：謂之小一

這篇文章主要介紹了Python之Sklearn使用入門教程，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

1.Sklearn簡介

Scikit-learn(sklearn)是機器學習中常用的第三方模塊，對常用的機器學習方法進行了封裝，包括回歸(Regression)、降維(Dimensionality Reduction)、分類(Classfication)、聚類(Clustering)等方法。當我們面臨機器學習問題時，便可根據(jù)下圖來選擇相應(yīng)的方法。Sklearn具有以下特點：

簡單高效的數(shù)據(jù)挖掘和數(shù)據(jù)分析工具
讓每個人能夠在復雜環(huán)境中重復使用
建立NumPy、Scipy、MatPlotLib之上

2.Sklearn安裝

Sklearn安裝要求Python(>=2.7 or >=3.3)、NumPy (>= 1.8.2)、SciPy (>= 0.13.3)。如果已經(jīng)安裝NumPy和SciPy，安裝scikit-learn可以使用pip install -U scikit-learn。

3.Sklearn通用學習模式

Sklearn中包含眾多機器學習方法，但各種學習方法大致相同，我們在這里介紹Sklearn通用學習模式。首先引入需要訓練的數(shù)據(jù)，Sklearn自帶部分數(shù)據(jù)集，也可以通過相應(yīng)方法進行構(gòu)造，4.Sklearn datasets中我們會介紹如何構(gòu)造數(shù)據(jù)。然后選擇相應(yīng)機器學習方法進行訓練，訓練過程中可以通過一些技巧調(diào)整參數(shù)，使得學習準確率更高。模型訓練完成之后便可預測新數(shù)據(jù)，然后我們還可以通過MatPlotLib等方法來直觀的展示數(shù)據(jù)。另外還可以將我們已訓練好的Model進行保存，方便移動到其他平臺，不必重新訓練。

from sklearn import datasets#引入數(shù)據(jù)集,sklearn包含眾多數(shù)據(jù)集
from sklearn.model_selection import train_test_split#將數(shù)據(jù)分為測試集和訓練集
from sklearn.neighbors import KNeighborsClassifier#利用鄰近點方式訓練數(shù)據(jù)

###引入數(shù)據(jù)###
iris=datasets.load_iris()#引入iris鳶尾花數(shù)據(jù),iris數(shù)據(jù)包含4個特征變量
iris_X=iris.data#特征變量
iris_y=iris.target#目標值
X_train,X_test,y_train,y_test=train_test_split(iris_X,iris_y,test_size=0.3)#利用train_test_split進行將訓練集和測試集進行分開，test_size占30%
print(y_train)#我們看到訓練數(shù)據(jù)的特征值分為3類
'''
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]
 '''

###訓練數(shù)據(jù)###
knn=KNeighborsClassifier()#引入訓練方法
knn.fit(X_train,y_train)#進行填充測試數(shù)據(jù)進行訓練

###預測數(shù)據(jù)###
print(knn.predict(X_test))#預測特征值
'''
[1 1 1 0 2 2 1 1 1 0 0 0 2 2 0 1 2 2 0 1 0 0 0 0 0 0 2 1 0 0 0 1 0 2 0 2 0
 1 2 1 0 0 1 0 2]
'''
print(y_test)#真實特征值
'''
[1 1 1 0 1 2 1 1 1 0 0 0 2 2 0 1 2 2 0 1 0 0 0 0 0 0 2 1 0 0 0 1 0 2 0 2 0
 1 2 1 0 0 1 0 2]
'''

4.Sklearn datasets

Sklearn提供一些標準數(shù)據(jù)，我們不必再從其他網(wǎng)站尋找數(shù)據(jù)進行訓練。例如我們上面用來訓練的load_iris數(shù)據(jù)，可以很方便的返回數(shù)據(jù)特征變量和目標值。除了引入數(shù)據(jù)之外，我們還可以通過load_sample_images()來引入圖片。

除了sklearn提供的一些數(shù)據(jù)之外，還可以自己來構(gòu)造一些數(shù)據(jù)幫助我們學習。

from sklearn import datasets#引入數(shù)據(jù)集
#構(gòu)造的各種參數(shù)可以根據(jù)自己需要調(diào)整
X,y=datasets.make_regression(n_samples=100,n_features=1,n_targets=1,noise=1)

###繪制構(gòu)造的數(shù)據(jù)###
import matplotlib.pyplot as plt
plt.figure()
plt.scatter(X,y)
plt.show()

5.Sklearn Model的屬性和功能

數(shù)據(jù)訓練完成之后得到模型，我們可以根據(jù)不同模型得到相應(yīng)的屬性和功能，并將其輸出得到直觀結(jié)果。假如通過線性回歸訓練之后得到線性函數(shù)y=0.3x+1，我們可通過_coef得到模型的系數(shù)為0.3，通過_intercept得到模型的截距為1。

from sklearn import datasets
from sklearn.linear_model import LinearRegression#引入線性回歸模型

###引入數(shù)據(jù)###
load_data=datasets.load_boston()
data_X=load_data.data
data_y=load_data.target
print(data_X.shape)
#(506, 13)data_X共13個特征變量

###訓練數(shù)據(jù)###
model=LinearRegression()
model.fit(data_X,data_y)
model.predict(data_X[:4,:])#預測前4個數(shù)據(jù)

###屬性和功能###
print(model.coef_)
'''
[ -1.07170557e-01  4.63952195e-02  2.08602395e-02  2.68856140e+00
 -1.77957587e+01  3.80475246e+00  7.51061703e-04 -1.47575880e+00
  3.05655038e-01 -1.23293463e-02 -9.53463555e-01  9.39251272e-03
 -5.25466633e-01]
'''
print(model.intercept_)
#36.4911032804
print(model.get_params())#得到模型的參數(shù)
#{'copy_X': True, 'normalize': False, 'n_jobs': 1, 'fit_intercept': True}
print(model.score(data_X,data_y))#對訓練情況進行打分
#0.740607742865

6.Sklearn數(shù)據(jù)預處理

數(shù)據(jù)集的標準化對于大部分機器學習算法來說都是一種常規(guī)要求，如果單個特征沒有或多或少地接近于標準正態(tài)分布，那么它可能并不能在項目中表現(xiàn)出很好的性能。在實際情況中,我們經(jīng)常忽略特征的分布形狀，直接去均值來對某個特征進行中心化，再通過除以非常量特征(non-constant features)的標準差進行縮放。

例如, 許多學習算法中目標函數(shù)的基礎(chǔ)都是假設(shè)所有的特征都是零均值并且具有同一階數(shù)上的方差(比如徑向基函數(shù)、支持向量機以及L1L2正則化項等)。如果某個特征的方差比其他特征大幾個數(shù)量級，那么它就會在學習算法中占據(jù)主導位置，導致學習器并不能像我們說期望的那樣，從其他特征中學習。例如我們可以通過Scale將數(shù)據(jù)縮放，達到標準化的目的。

from sklearn import preprocessing
import numpy as np
a=np.array([[10,2.7,3.6],
      [-100,5,-2],
      [120,20,40]],dtype=np.float64)
print(a)
print(preprocessing.scale(a))#將值的相差度減小
'''
[[ 10.   2.7  3.6]
 [-100.   5.  -2. ]
 [ 120.  20.  40
[[ 0.     -0.85170713 -0.55138018]
 [-1.22474487 -0.55187146 -0.852133 ]
 [ 1.22474487 1.40357859 1.40351318]]
'''

我們來看下預處理前和預處理預處理后的差別，預處理之前模型評分為0.511111111111，預處理后模型評分為0.933333333333，可以看到預處理對模型評分有很大程度的提升。

from sklearn.model_selection import train_test_split
from sklearn.datasets.samples_generator import make_classification
from sklearn.svm import SVC
import matplotlib.pyplot as plt

###生成的數(shù)據(jù)如下圖所示###
plt.figure
X,y=make_classification(n_samples=300,n_features=2,n_redundant=0,n_informative=2,       random_state=22,n_clusters_per_class=1,scale=100)
plt.scatter(X[:,0],X[:,1],c=y)
plt.show()

###利用minmax方式對數(shù)據(jù)進行規(guī)范化###
X=preprocessing.minmax_scale(X)#feature_range=(-1,1)可設(shè)置重置范圍
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
clf=SVC()
clf.fit(X_train,y_train)
print(clf.score(X_test,y_test))
#0.933333333333
#沒有規(guī)范化之前我們的訓練分數(shù)為0.511111111111,規(guī)范化后為0.933333333333,準確度有很大提升

7.交叉驗證

交叉驗證的基本思想是將原始數(shù)據(jù)進行分組，一部分做為訓練集來訓練模型，另一部分做為測試集來評價模型。交叉驗證用于評估模型的預測性能，尤其是訓練好的模型在新數(shù)據(jù)上的表現(xiàn)，可以在一定程度上減小過擬合。還可以從有限的數(shù)據(jù)中獲取盡可能多的有效信息。

機器學習任務(wù)中，拿到數(shù)據(jù)后，我們首先會將原始數(shù)據(jù)集分為三部分：訓練集、驗證集和測試集。訓練集用于訓練模型，驗證集用于模型的參數(shù)選擇配置，測試集對于模型來說是未知數(shù)據(jù)，用于評估模型的泛化能力。不同的劃分會得到不同的最終模型。

以前我們是直接將數(shù)據(jù)分割成70%的訓練數(shù)據(jù)和測試數(shù)據(jù)，現(xiàn)在我們利用K折交叉驗證分割數(shù)據(jù)，首先將數(shù)據(jù)分為5組，然后再從5組數(shù)據(jù)之中選擇不同數(shù)據(jù)進行訓練。

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

###引入數(shù)據(jù)###
iris=load_iris()
X=iris.data
y=iris.target

###訓練數(shù)據(jù)###
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3)
#引入交叉驗證,數(shù)據(jù)分為5組進行訓練
from sklearn.model_selection import cross_val_score
knn=KNeighborsClassifier(n_neighbors=5)#選擇鄰近的5個點
scores=cross_val_score(knn,X,y,cv=5,scoring='accuracy')#評分方式為accuracy
print(scores)#每組的評分結(jié)果
#[ 0.96666667 1.     0.93333333 0.96666667 1.    ]5組數(shù)據(jù)
print(scores.mean())#平均評分結(jié)果
#0.973333333333

那么是否n_neighbor=5便是最好呢，我們來調(diào)整參數(shù)來看模型最終訓練分數(shù)。

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import cross_val_score#引入交叉驗證
import matplotlib.pyplot as plt
###引入數(shù)據(jù)###
iris=datasets.load_iris()
X=iris.data
y=iris.target
###設(shè)置n_neighbors的值為1到30,通過繪圖來看訓練分數(shù)###
k_range=range(1,31)
k_score=[]
for k in k_range:
  knn=KNeighborsClassifier(n_neighbors=k)
  scores=cross_val_score(knn,X,y,cv=10,scoring='accuracy')#for classfication
  k_score.append(scores.mean())
plt.figure()
plt.plot(k_range,k_score)
plt.xlabel('Value of k for KNN')
plt.ylabel('CrossValidation accuracy')
plt.show()
#K過大會帶來過擬合問題,我們可以選擇12-18之間的值

我們可以看到n_neighbor在12-18之間評分比較高，實際項目之中我們可以通過這種方式來選擇不同參數(shù)。另外我們還可以選擇2-fold Cross Validation,Leave-One-Out Cross Validation等方法來分割數(shù)據(jù)，比較不同方法和參數(shù)得到最優(yōu)結(jié)果。

我們將上述代碼中的循環(huán)部分改變一下，評分函數(shù)改為neg_mean_squared_error，便得到對于不同參數(shù)時的損失函數(shù)。

for k in k_range:
  knn=KNeighborsClassifier(n_neighbors=k)
  loss=-cross_val_score(knn,X,y,cv=10,scoring='neg_mean_squared_error')# for regression
  k_score.append(loss.mean())

8.過擬合問題

什么是過擬合問題呢？例如下面這張圖片，黑色線已經(jīng)可以很好的分類出紅色點和藍色點，但是在機器學習過程中，模型過于糾結(jié)準確度，便形成了綠色線的結(jié)果。然后在預測測試數(shù)據(jù)集結(jié)果的過程中往往會浪費很多時間并且準確率不是太好。

我們先舉例如何辨別overfitting問題。Sklearn.learning_curve中的learning curve可以很直觀的看出Model學習的進度，對比發(fā)現(xiàn)有沒有過擬合。

from sklearn.model_selection import learning_curve
from sklearn.datasets import load_digits
from sklearn.svm import SVC
import matplotlib.pyplot as plt
import numpy as np

#引入數(shù)據(jù)
digits=load_digits()
X=digits.data
y=digits.target

#train_size表示記錄學習過程中的某一步,比如在10%,25%...的過程中記錄一下
train_size,train_loss,test_loss=learning_curve(
  SVC(gamma=0.1),X,y,cv=10,scoring='neg_mean_squared_error',
  train_sizes=[0.1,0.25,0.5,0.75,1]
)
train_loss_mean=-np.mean(train_loss,axis=1)
test_loss_mean=-np.mean(test_loss,axis=1)

plt.figure()
#將每一步進行打印出來
plt.plot(train_size,train_loss_mean,'o-',color='r',label='Training')
plt.plot(train_size,test_loss_mean,'o-',color='g',label='Cross-validation')
plt.legend('best')
plt.show()

如果我們改變gamma的值，那么會改變相應(yīng)的Loss函數(shù)。損失函數(shù)便在10左右停留，此時便能直觀的看出過擬合。

下面我們通過修改gamma參數(shù)來修正過擬合問題。

from sklearn.model_selection import validation_curve#將learning_curve改為validation_curve
from sklearn.datasets import load_digits
from sklearn.svm import SVC
import matplotlib.pyplot as plt
import numpy as np
#引入數(shù)據(jù)
digits=load_digits()
X=digits.data
y=digits.target

#改變param來觀察Loss函數(shù)情況
param_range=np.logspace(-6,-2.3,5)
train_loss,test_loss=validation_curve(
  SVC(),X,y,param_name='gamma',param_range=param_range,cv=10,
  scoring='neg_mean_squared_error'
)
train_loss_mean=-np.mean(train_loss,axis=1)
test_loss_mean=-np.mean(test_loss,axis=1)

plt.figure()
plt.plot(param_range,train_loss_mean,'o-',color='r',label='Training')
plt.plot(param_range,test_loss_mean,'o-',color='g',label='Cross-validation')
plt.xlabel('gamma')
plt.ylabel('loss')
plt.legend(loc='best')
plt.show()

通過改變不同的gamma值我們可以看到Loss函數(shù)的變化情況。從圖中可以看到，如果gamma的值大于0.001便會出現(xiàn)過擬合的問題，那么我們構(gòu)建模型時gamma參數(shù)設(shè)置應(yīng)該小于0.001。

9.保存模型

我們花費很長時間用來訓練數(shù)據(jù)，調(diào)整參數(shù)，得到最優(yōu)模型。但如果改變平臺，我們還需要重新訓練數(shù)據(jù)和修正參數(shù)來得到模型，將會非常的浪費時間。此時我們可以先將model保存起來，然后便可以很方便的將模型遷移。

from sklearn import svm
from sklearn import datasets

#引入和訓練數(shù)據(jù)
iris=datasets.load_iris()
X,y=iris.data,iris.target
clf=svm.SVC()
clf.fit(X,y)

#引入sklearn中自帶的保存模塊
from sklearn.externals import joblib
#保存model
joblib.dump(clf,'sklearn_save/clf.pkl')

#重新加載model，只有保存一次后才能加載model
clf3=joblib.load('sklearn_save/clf.pkl')
print(clf3.predict(X[0:1]))
#存放model能夠更快的獲得以前的結(jié)果