python分類預測模型的特點
-
模型模型特點位於
SVM 強大的模型,可以用來回歸,預測,分類等,而根據選取不同的和函數,模型可以是線性的/非線性的 sklearn.svm 決策樹 基於"分類討論,逐步細化"思想的分類模型,模型直觀,易解釋 sklearn.tree 朴素貝葉斯 基於概率思想的簡單有效的分類模型,能夠給出容易理解的概率解釋 sklearn.naive_bayes 神經網絡 具有強大的擬合能力,可疑用於擬合,分類等,它有多個增強版本,如遞神經網絡,卷積神經網絡,自編嗎器等,這些是深度學習的模型基礎 Keras 邏輯回歸 比較基礎的線性分類模型,很多時候是簡單有效的選擇 sklearn.linear_model 隨機森林 思想跟決策樹類似,精度通常比決策樹要高,缺點是由於隨機性, 喪失了決策樹的可解釋性 sklearn.ensemble - python建模的步驟:
- 建立一個對象(這個對象是空白的,需要進一步訓練)
- 然后,我們要設置模型的參數
- 接着就是通過fit()方法對模型進行訓練
- 最后通過predict()方法預測結果
- 對模型的評估score()方法等
- 聚類分析
- 常用聚類分析算法
- 與分類不同,聚類分析是在沒有給定划分類別的情況下,根據數據相似度進行樣本分組的一種方法.與分類模型需要使用有類標記樣本構成的訓練數據不同,聚類模型可疑建立在吳磊標記的數據上,是一種非監督的學習算法.聚類的輸入是一組為被標記的樣本,聚類根據數據自身距離或相似度將其划分為若干組,划分的原則是組內距離最小化而組件距離最大化.
-
類別包括主要算法
划分(分裂)方法 K-Means算法(K-均值),K-MEDOIDS算法(K-中心點),CLARANS算法(基於選擇的算法) 層次分析方法 BIRCH算法(平衡迭代規約和聚類),CURE算法(代表點聚類),CHAMLEON算法 基於密度的方法 DBSCAN算法(基於密度連接區域).DENCLUE算法(密度分布函數),OPTICS算法(對象識別排序) 基於網絡的方法 STING(統計信息網絡),CLIOUE算法(聚類高維空間),WAVE-CLUSTER算法(小波變換) 基於模型的方法 統計學方法,神經網絡方法
- 聚類分析的算法
-
算法名稱算法描述
K-Means K-均值聚類也稱為快速聚類法,在最小化誤差函數的基礎上家境數據划分為預訂的類數K,該算法原理簡單並便於處理處理數據 K-中心點 K-均值算法對孤立點的敏感性, K-中心點算法不采用簇中對象的平均值作為簇中心,而選用簇中離平均值最近的對象作為簇中心 系統聚類 系統聚類也稱為多層次聚類,分類的單位由高到低呈樹形結構,且所處的為孩子越低,其包含的對象就越少,但這些對象間的共同特征越多,該聚類的方法只適合小數據量的時候使用,數據量大的時候速度會非常快
-
- K-Means聚類算法
- K-Means算法十典型的基於距離的非層次聚類算法,在最小化誤差函數的基礎上將數據划分為預定的類數K,采用距離作為相似性的評價指標,即認為兩個對象的距離越近,其相似度就越大.
- 算法過程
- 從N個樣本書中隨機選取K個對象作為初始的聚類中心
- 分別計算每個樣本到各個聚類中心的距離,將對象分配到聚類中
- 所有對象分配完成后,重新計算K個聚類中心.
- 與前一次計算得到的K個聚類中心比較,如果聚類中心發生變化轉第2步, 否則轉第5步
- 當質心不發生變化時停止輸出聚類結果
- 聚類的結果可能依賴初始聚類中心的隨機選擇,可能使得結果嚴重偏離全局最優分類,實踐中,為了得到較好的效果,通常選擇不同的初始聚類中心,多次運行K-Means算法,在所有對象分配完成后,重新計算K個聚類中心時,對於連續數據,聚類中心取簇的均值,但是當樣本的某些屬性是分類變量時,均值可能無定義,可疑使用K-眾數方法
- 數據類型與相似性的度量
- 連續屬性
- 對於連續屬性,要先對個屬性值進行零 - 均值規范, 再進行距離的計算.在K-Means聚類算法中,一般需要度量樣本之間的距離,樣本與簇之間的距離以及簇與簇之間的距離
- 度量樣本之間的相似性最常用的是歐幾里得距離,曼哈頓距離和閔可夫斯基距離;樣本與簇之間的距離可以用樣本到簇中心的距離d(ei,x);簇與簇之間的距離剋用簇中心的距離d(ei,ej)
- 歐幾里得距離:
- d(i,j) = ((xi1 - xj1)2 + (xi2 - xj2)2 + ... + (xip - xjp)2)1/2
- 曼哈頓距離:
- d(i,j) = |xi1 - xj1| + |xi1 - xj1| + ... + |xip - xjp|
- 閔可夫斯基距離:
- d(i,j) = ((|xi1 - xj1|)q + (|xi2 - xj2|)q + ... + (|xip - xjp|)q)1/2
- q為正整數, q=1時,即為曼哈頓距離,;q=2時即為歐幾里得距離
- 目標函數
- 使用誤差平方和SSE作為度量聚類質量的目標函數,對於兩種不同的聚類結果,訓着誤差平方和較小的分類結果.
- 連續屬性的SSE計算公式為:
- SSE = ∑Ki=1∑x€Eidist(ei, x)2
- 文檔數據的SSE計算公式為:
- SE = ∑Ki=1∑x€Eicos(ei, x)2
- 簇Ei的聚類中心ei計算公式為
- ei = 1/ni∑x€Eix
-
符號含義符號含義
k 聚類簇的個數 ei 簇Ei的聚類中心 Ei 第i個簇 ni 第i個簇中樣本的個數 x 對象(樣本)
-
-
-
- 消費行為數據:
-
IDR(最近一次消費時間間隔)F(消費頻率)M(消費總金額)
1 37 4 579 2 35 3 616 3 25 10 394 4 52 2 111 5 36 7 521 6 41 5 225 7 56 3 118 8 37 5 793 9 54 2 111 10 5 18 1086 - 采用K-Means聚類算法,設定聚類個數K為3,最大迭代次數為500次,距離函數取歐式距離
-
-
import pandas as pd k = 3 # 聚類的類別 iteration = 500 # 聚類最大循環次數 data = pd.read_csv("sales_bak.csv",sep=",",header=None, names=["ID", "R", "F", "M"]) data_zs = 1.0*(data - data.mean()) / data.std() # 數據標准化 from sklearn.cluster import KMeans model = KMeans(n_clusters=k, n_jobs=4, max_iter=iteration) # 分為k類並發數4 model.fit(data_zs) # 開始聚類 # 打印結果 r1 = pd.Series(model.labels_).value # 統計各個類別的數目 r2 = pd.DataFrame(model.cluster_centers_) # 找到聚類中心 r = pd.concat([r2,r1], axis=1) # 橫向連接(0時縱向),得到聚類中心對應的類別下的數目 r.columns = list(data.column) + [u'類別數目'] # 重命名表頭 print r # 詳細輸出原始數據機器類別 r = pd.concat([data, pd.Series(model.labels_, index=data.index)], axis=1) # 詳細輸出每個樣本對應的類別 r.columns = list(data.columns) + [u'聚類類別'] # 重命名表頭 r.to_excel("sales.xlxs")
- 事實上,Scikit-Learn中的K-Means算法僅僅支持歐式距離,原因在於采用其他的距離並不一定能夠保證算法的收斂性
- 然后用pandas和Matplotlib繪制的不同客戶分群的概率密度函數圖,通過這些圖能直觀的比較不同客戶群的價值
-
- 聚類分析算法評價
- 聚類分析僅根據樣本數據本身將樣本分組,其目標時實現組內的對象相互之間時相似的(相關的),而不同組中的對象時不同的(不相關),組內的相似性越大,組間差別越大,聚類效果就越好
- purity評價法
- purity方法時極為簡單的一種聚類評價方法,只需計算正確聚類占總數的比例
- purity(x,y) = 1/n∑kmax| xkΩ yi |
- 其中,x = (x1, x2, ... xk)時聚類的集合.xk表示第k個聚類的集合.y=(y1,y2,...yk)表示需要被聚類的集合,yi表示第i個聚類對象.n表示被聚類集合對象的總數
- purity方法時極為簡單的一種聚類評價方法,只需計算正確聚類占總數的比例
- RI評價法
- 實際上,這是一種用排列組合原理來對聚類進行評價的手段,RI評價公式如下.
- RI = R + W / R + M + D + W
- 其中,R是指被聚在一類兩個對象被正確分類了,w是指不應該被聚在一類的兩個對象被正確分開.M是指不應該放在一起的對象被錯誤的放在一類,D是指不應該分開的對象被錯誤的分開了.
- 實際上,這是一種用排列組合原理來對聚類進行評價的手段,RI評價公式如下.
- F指評價法
- 這是基於上述RI方法衍生出的一個方法,F評價公式如下:
- Fa = (I + α2)pr / α2ß + r
- 其中, p = R / R + M, r = R / (R + D)
- 實際上RI方法就是吧准確率P和召回率r看的同等重要,事實上,有時候我們可能需要某一特性更多一點,這時候就適合使用F值方法.
- 這是基於上述RI方法衍生出的一個方法,F評價公式如下:
- python主要聚類分析算法:
- python的聚類相關的算法主要在Scikit-Learn中, python里面實現的聚類主要包括K-Means聚類,層次聚類, FCM以及神經網絡聚類,
-
對象名函數功能所屬工具箱
KMeans K均值聚類 sklearn.cluster AffinityPropahation 吸引力傳播聚類,2007年提出,幾乎優於所有的其他方法,不需要指定聚類數,單運行效率較低 sklearn.cluster MeanShift 均值漂移聚類 sklearn.cluster SpectralClustring 譜聚類,具有效果比k均值好,速度比K均值快等特點 sklearn.cluster AgglomerativeClustering 層次聚類,給出一棵聚類層次樹 sklearn.cluster DBSCAN 具有噪聲的基於密度的聚類方法 sklearn.cluster BIRCH 綜合的層次聚類算法,可以處理大規模數據的聚類 sklearn.cluster
-
-
- 這些不同模型的使用方法是大同小異的,都是基本先使用對應的函數建立模型,然后用.fit()方法來訓練模型,訓練好之后,就可以用.label_方法給出樣本數據的標簽,或者用.predict()方法預測新的輸入標簽.
- 此外,Scipy庫也提供了一個聚類子庫scipy.cluster,里邊提供了一些聚類算法,如層次聚類等,但沒有Scikit-Learn那么完善和豐富.scipy.cluster的好處黑絲它的函數名和功能基本根python時一一對應的,如層次聚類的linkage,dendrogram等,因此已經熟悉python的朋友,可疑嘗試使用Scipy提供的聚類庫.
-
# -*- coding:utf-8 -*- import sys reload(sys) sys.setdefaultencoding("utf-8") """ 使用神經網絡算法預測銷量高低 """ from sklearn.manifold import TSNE import pandas as pd k = 3 # 聚類的類別 iteration = 500 # 聚類最大循環次數 data = pd.read_csv("sales_bak.csv", sep="\t",header=None, names=["a", "b", "c"]) # 讀取csv中的數據 data_zs = 1.0 * (data - data.mean()) / data.std() # 數據標准化 tsne = TSNE() # 實例化一個TENS空白的對象 tsne.fit_transform(data_zs) # 進行數據降維 tsne = pd.DataFrame(tsne.embedding_,index = data_zs.index) # 轉換數據格式 import matplotlib.pyplot as plt plt.rcParams['font,sans-serif'] = ['SimHei'] # 用來正常顯示中文標簽 plt.rcParams['zxes.unicode_minus'] = False # 用來正常顯示負號 d = tsne[r[u'聚類類別'] == 0 ] plt.plot(d[0], d[1], 'r.') d = tsne[r[u'聚類類別'] == 1 ] plt.plot(d[0], d[1], 'go') d = tsne[r[u'聚類類別'] == 2] plt.plot(d[0], d[1], 'b*') plt.show()
-