在機器學習和數據挖掘的應用中，scikit-learn是一個功能強大的python包。在數據量不是過大的情況下，可以解決大部分問題。學習使用scikit-learn的過程中，我自己也在補充着機器學習和數據挖掘的知識。這里根據自己學習sklearn的經驗，我做一個總結的筆記。另外，我也想把這篇筆記一直更新下去。
1 scikit-learn基礎介紹
1.1 估計器（Estimator）
估計器，很多時候可以直接理解成分類器，主要包含兩個函數：
- fit()：訓練算法，設置內部參數。接收訓練集和類別兩個參數。
- predict()：預測測試集類別，參數為測試集。
大多數scikit-learn估計器接收和輸出的數據格式均為numpy數組或類似格式。
1.2 轉換器（Transformer）
轉換器用於數據預處理和數據轉換，主要是三個方法：
- fit()：訓練算法，設置內部參數。
- transform()：數據轉換。
- fit_transform()：合並fit和transform兩個方法。
1.3 流水線（Pipeline）
sklearn.pipeline包
流水線的功能：
- 跟蹤記錄各步驟的操作（以方便地重現實驗結果）
- 對各步驟進行一個封裝
- 確保代碼的復雜程度不至於超出掌控范圍
基本使用方法
流水線的輸入為一連串的數據挖掘步驟，其中最后一步必須是估計器，前幾步是轉換器。輸入的數據集經過轉換器的處理后，輸出的結果作為下一步的輸入。最后，用位於流水線最后一步的估計器對數據進行分類。
每一步都用元組（ ‘名稱’，步驟）來表示。現在來創建流水線。
scaling_pipeline = Pipeline([
('scale', MinMaxScaler()), ('predict', KNeighborsClassifier()) ])1.4 預處理
主要在sklearn.preprcessing包下。
規范化：
- MinMaxScaler :最大最小值規范化
- Normalizer :使每條數據各特征值的和為1
- StandardScaler :為使各特征的均值為0，方差為1
編碼：
- LabelEncoder ：把字符串類型的數據轉化為整型
- OneHotEncoder ：特征用一個二進制數字來表示
- Binarizer :為將數值型特征的二值化
- MultiLabelBinarizer：多標簽二值化
1.5 特征
1.5.1 特征抽取
包：sklearn.feature_extraction
特征抽取是數據挖掘任務最為重要的一個環節，一般而言，它對最終結果的影響要高過數據挖掘算法本身。只有先把現實用特征表示出來，才能借助數據挖掘的力量找到問題的答案。特征選擇的另一個優點在於：降低真實世界的復雜度，模型比現實更容易操縱。
一般最常使用的特征抽取技術都是高度針對具體領域的，對於特定的領域，如圖像處理，在過去一段時間已經開發了各種特征抽取的技術，但這些技術在其他領域的應用卻非常有限。
- DictVectorizer： 將dict類型的list數據，轉換成numpy array
- FeatureHasher ： 特征哈希，相當於一種降維技巧
- image：圖像相關的特征抽取
- text： 文本相關的特征抽取
- text.CountVectorizer：將文本轉換為每個詞出現的個數的向量
- text.TfidfVectorizer：將文本轉換為tfidf值的向量
- text.HashingVectorizer：文本的特征哈希
示例
CountVectorize只數出現個數
TfidfVectorizer：個數+歸一化（不包括idf）
1.5.2 特征選擇
包：sklearn.feature_selection
特征選擇的原因如下：
(1)降低復雜度
(2)降低噪音
(3)增加模型可讀性
- VarianceThreshold： 刪除特征值的方差達不到最低標准的特征
- SelectKBest： 返回k個最佳特征
- SelectPercentile： 返回表現最佳的前r%個特征
單個特征和某一類別之間相關性的計算方法有很多。最常用的有卡方檢驗（χ2）。其他方法還有互信息和信息熵。
- chi2： 卡方檢驗（χ2）
1.6 降維
包：sklearn.decomposition
- 主成分分析算法（Principal Component Analysis， PCA）的目的是找到能用較少信息描述數據集的特征組合。它意在發現彼此之間沒有相關性、能夠描述數據集的特征，確切說這些特征的方差跟整體方差沒有多大差距，這樣的特征也被稱為主成分。這也就意味着，借助這種方法，就能通過更少的特征捕獲到數據集的大部分信息。
1.7 組合
包：sklearn.ensemble
組合技術即通過聚集多個分類器的預測來提高分類准確率。
常用的組合分類器方法：
(1)通過處理訓練數據集。即通過某種抽樣分布，對原始數據進行再抽樣，得到多個訓練集。常用的方法有裝袋（bagging）和提升（boosting）。
(2)通過處理輸入特征。即通過選擇輸入特征的子集形成每個訓練集。適用於有大量冗余特征的數據集。隨機森林（Random forest）就是一種處理輸入特征的組合方法。
(3)通過處理類標號。適用於多分類的情況，將類標號隨機划分成兩個不相交的子集，再把問題變為二分類問題，重復構建多次模型，進行分類投票。
- BaggingClassifier： Bagging分類器組合
- BaggingRegressor： Bagging回歸器組合
- AdaBoostClassifier： AdaBoost分類器組合
- AdaBoostRegressor： AdaBoost回歸器組合
- GradientBoostingClassifier：GradientBoosting分類器組合
- GradientBoostingRegressor： GradientBoosting回歸器組合
- ExtraTreeClassifier：ExtraTree分類器組合
- ExtraTreeRegressor： ExtraTree回歸器組合
- RandomTreeClassifier：隨機森林分類器組合
- RandomTreeRegressor： 隨機森林回歸器組合
使用舉例
AdaBoostClassifier(DecisionTreeClassifier(max_depth=1), algorithm="SAMME", n_estimators=200)解釋
裝袋（bagging）：根據均勻概率分布從數據集中重復抽樣（有放回），每個自助樣本集和原數據集一樣大，每個自助樣本集含有原數據集大約63%的數據。訓練k個分類器，測試樣本被指派到得票最高的類。
提升（boosting）：通過給樣本設置不同的權值，每輪迭代調整權值。不同的提升算法之間的差別，一般是（1）如何更新樣本的權值，（2）如何組合每個分類器的預測。其中Adaboost中，樣本權值是增加那些被錯誤分類的樣本的權值，分類器C_i的重要性依賴於它的錯誤率。
Boosting主要關注降低偏差，因此Boosting能基於泛化性能相當弱的學習器構建出很強的集成；Bagging主要關注降低方差，因此它在不剪枝的決策樹、神經網絡等學習器上效用更為明顯。偏差指的是算法的期望預測與真實預測之間的偏差程度，反應了模型本身的擬合能力；方差度量了同等大小的訓練集的變動導致學習性能的變化，刻畫了數據擾動所導致的影響。
1.8 模型評估（度量）
包：sklearn.metrics
sklearn.metrics包含評分方法、性能度量、成對度量和距離計算。
分類結果度量
參數大多是y_true和y_pred。
- accuracy_score：分類准確度
- condusion_matrix ：分類混淆矩陣
- classification_report：分類報告
- precision_recall_fscore_support：計算精確度、召回率、f、支持率
- jaccard_similarity_score：計算jcaard相似度
- hamming_loss：計算漢明損失
- zero_one_loss：0-1損失
- hinge_loss：計算hinge損失
- log_loss：計算log損失
其中，F1是以每個類別為基礎進行定義的，包括兩個概念：准確率（precision）和召回率（recall）。准確率是指預測結果屬於某一類的個體，實際屬於該類的比例。召回率是被正確預測為某類的個體，與數據集中該類個體總數的比例。F1是准確率和召回率的調和平均數。
回歸結果度量
- explained_varicance_score：可解釋方差的回歸評分函數
- mean_absolute_error：平均絕對誤差
- mean_squared_error：平均平方誤差
多標簽的度量
- coverage_error：涵蓋誤差
- label_ranking_average_precision_score：計算基於排名的平均誤差Label ranking average precision (LRAP)
聚類的度量
- adjusted_mutual_info_score：調整的互信息評分
- silhouette_score：所有樣本的輪廓系數的平均值
- silhouette_sample：所有樣本的輪廓系數
1.9 交叉驗證
包：sklearn.cross_validation
- KFold：K-Fold交叉驗證迭代器。接收元素個數、fold數、是否清洗
- LeaveOneOut：LeaveOneOut交叉驗證迭代器
- LeavePOut：LeavePOut交叉驗證迭代器
- LeaveOneLableOut：LeaveOneLableOut交叉驗證迭代器
- LeavePLabelOut：LeavePLabelOut交叉驗證迭代器
LeaveOneOut(n) 相當於 KFold(n, n_folds=n) 相當於LeavePOut(n, p=1)。
LeaveP和LeaveOne差別在於leave的個數，也就是測試集的尺寸。LeavePLabel和LeaveOneLabel差別在於leave的Label的種類的個數。
LeavePLabel這種設計是針對可能存在第三方的Label，比如我們的數據是一些季度的數據。那么很自然的一個想法就是把1,2,3個季度的數據當做訓練集，第4個季度的數據當做測試集。這個時候只要輸入每個樣本對應的季度Label，就可以實現這樣的功能。
以下是實驗代碼，盡量自己多實驗去理解。
#coding=utf-8 import numpy as np import sklearnfrom sklearn import cross_validation X = 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_test if __name__ == '__main__': show_cross_val("lpo")常用方法
- train_test_split：分離訓練集和測試集（不是K-Fold）
- cross_val_score：交叉驗證評分，可以指認cv為上面的類的實例
- cross_val_predict：交叉驗證的預測。
1.10 網格搜索
包：sklearn.grid_search
網格搜索最佳參數
- GridSearchCV：搜索指定參數網格中的最佳參數
- ParameterGrid：參數網格
- ParameterSampler：用給定分布生成參數的生成器
- RandomizedSearchCV：超參的隨機搜索
通過best_estimator_.get_params()方法，獲取最佳參數。
1.11 多分類、多標簽分類
包：sklearn.multiclass
- OneVsRestClassifier：1-rest多分類（多標簽）策略
- OneVsOneClassifier：1-1多分類策略
- OutputCodeClassifier：1個類用一個二進制碼表示
示例代碼#coding=utf-8 from sklearn import metrics from sklearn import cross_validation from sklearn.svm import SVC from sklearn.multiclass import OneVsRestClassifier from sklearn.preprocessing import MultiLabelBinarizer import numpy as np from numpy import random X=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 predicted def 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 predicted if __name__ == '__main__': multiclassSVM() # multilabelSVM()
2 具體模型
2.1 朴素貝葉斯（Naive Bayes）
包：sklearn.cross_validation
朴素貝葉斯的特點是分類速度快，分類效果不一定是最好的。
- GasussianNB：高斯分布的朴素貝葉斯
- MultinomialNB：多項式分布的朴素貝葉斯
- BernoulliNB：伯努利分布的朴素貝葉斯
所謂使用什么分布的朴素貝葉斯，就是假設P(x_i|y)是符合哪一種分布，比如可以假設其服從高斯分布，然后用最大似然法估計高斯分布的參數。
3 scikit-learn擴展
3.0 概覽
具體的擴展，通常要繼承sklearn.base包下的類。
- BaseEstimator： 估計器的基類
- ClassifierMixin ：分類器的混合類
- ClusterMixin：聚類器的混合類
- RegressorMixin ：回歸器的混合類
- TransformerMixin ：轉換器的混合類
關於什么是Mixin（混合類），具體可以看這個知乎鏈接。簡單地理解，就是帶有實現方法的接口，可以將其看做是組合模式的一種實現。舉個例子，比如說常用的TfidfTransformer，繼承了BaseEstimator， TransformerMixin，因此它的基本功能就是單一職責的估計器和轉換器的組合。
3.1 創建自己的轉換器
在特征抽取的時候，經常會發現自己的一些數據預處理的方法，sklearn里可能沒有實現，但若直接在數據上改，又容易將代碼弄得混亂，難以重現實驗。這個時候最好自己創建一個轉換器，在后面將這個轉換器放到pipeline里，統一管理。
例如《Python數據挖掘入門與實戰》書中的例子，我們想接收一個numpy數組，根據其均值將其離散化，任何高於均值的特征值替換為1，小於或等於均值的替換為0。
代碼實現：
from sklearn.base import TransformerMixin from sklearn.utils import as_float_array class MeanDiscrete(TransformerMixin): #計算出數據集的均值，用內部變量保存該值。 def fit(self, X, y=None): X = as_float_array(X) self.mean = np.mean(X, axis=0) #返回self，確保在轉換器中能夠進行鏈式調用（例如調用transformer.fit(X).transform(X)） return self def transform(self, X): X = as_float_array(X) assert X.shape[1] == self.mean.shape[0] return X > self.mean