scikit-learn 是基於 Python 語言的機器學習工具
- 簡單高效的數據挖掘和數據分析工具
- 可供大家在各種環境中重復使用
- 建立在 NumPy ，SciPy 和 matplotlib 上
- 開源，可商業使用 - BSD許可證
sklearn 中文文檔：http://www.scikitlearn.com.cn/
官方文檔：http://scikit-learn.org/stable/
sklearn官方文檔的類容和結構如下：
sklearn是基於numpy和scipy的一個機器學習算法庫，設計的非常優雅，它讓我們能夠使用同樣的接口來實現所有不同的算法調用。
sklearn庫的四大機器學習算法：分類，回歸，聚類，降維。其中：
- 常用的回歸：線性、決策樹、SVM、KNN ；集成回歸：隨機森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
- 常用的分類：線性、決策樹、SVM、KNN，朴素貝葉斯；集成分類：隨機森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
- 常用聚類：k均值（K-means）、層次聚類（Hierarchical clustering）、DBSCAN
- 常用降維：LinearDiscriminantAnalysis、PCA
還包含了特征提取、數據處理和模型評估三大模塊。
同時sklearn內置了大量數據集，節省了獲取和整理數據集的時間。
使用sklearn進行機器學習的步驟一般分為：導入模塊-創建數據-建立模型-訓練-預測五步。
以下為代碼筆記
一、數據獲取 ***************** """ ##1.1 導入sklearn數據集 from sklearn import datasets iris = datasets.load.iris() #導入數據集 X = iris.data #獲得其特征向量 y = iris.target # 獲得樣本label ##1.2 創建數據集 from sklearn.datasets.samples_generator import make_classification X, y = make_classification(n_samples=6, n_features=5, n_informative=2, n_redundant=2, n_classes=2, n_clusters_per_class=2, scale=1.0, random_state=20) # n_samples：指定樣本數 # n_features：指定特征數 # n_classes：指定幾分類 # random_state：隨機種子，使得隨機狀可重 # 查看數據集 for x_,y_ in zip(X,y): print(y_,end=': ') print(x_) """ 0: [-0.6600737 -0.0558978 0.82286793 1.1003977 -0.93493796] 1: [ 0.4113583 0.06249216 -0.90760075 -1.41296696 2.059838 ] 1: [ 1.52452016 -0.01867812 0.20900899 1.34422289 -1.61299022] 0: [-1.25725859 0.02347952 -0.28764782 -1.32091378 -0.88549315] 0: [-3.28323172 0.03899168 -0.43251277 -2.86249859 -1.10457948] 1: [ 1.68841011 0.06754955 -1.02805579 -0.83132182 0.93286635] """ """ ***************** 二、數據預處理 ***************** """ from sklearn import preprocessing ##2.1 數據歸一化 data = [[0, 0], [0, 0], [1, 1], [1, 1]] # 1. 基於mean和std的標准化 scaler = preprocessing.StandardScaler().fit(train_data) scaler.transform(train_data) scaler.transform(test_data) # 2. 將每個特征值歸一化到一個固定范圍 scaler = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(train_data) scaler.transform(train_data) scaler.transform(test_data) #feature_range: 定義歸一化范圍，注用（）括起來 #2.2 正則化 X = [[ 1., -1., 2.], [ 2., 0., 0.], [ 0., 1., -1.]] X_normalized = preprocessing.normalize(X, norm='l2') print(X_normalized) """ array([[ 0.40..., -0.40..., 0.81...], [ 1. ..., 0. ..., 0. ...], [ 0. ..., 0.70..., -0.70...]]) """ ## 2.3 One-Hot編碼 data = [[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]] encoder = preprocessing.OneHotEncoder().fit(data) enc.transform(data).toarray() """ ***************** 三、數據集拆分 ***************** """ # 作用：將數據集划分為 訓練集和測試集 # 格式：train_test_split(*arrays, **options) from sklearn.mode_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) """ 參數 --- arrays：樣本數組，包含特征向量和標簽 test_size： float-獲得多大比重的測試樣本 （默認：0.25） int - 獲得多少個測試樣本 train_size: 同test_size random_state: int - 隨機種子（種子固定，實驗可復現） shuffle - 是否在分割之前對數據進行洗牌（默認True） 返回 --- 分割后的列表，長度=2*len(arrays), (train-test split) """ """ ***************** 四、定義模型 ***************** """ ## 模型常用屬性和工鞥呢 # 擬合模型 model.fit(X_train, y_train) # 模型預測 model.predict(X_test) # 獲得這個模型的參數 model.get_params() # 為模型進行打分 model.score(data_X, data_y) # 線性回歸：R square； 分類問題： acc ## 4.1 線性回歸 from sklearn.linear_model import LinearRegression # 定義線性回歸模型 model = LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1) """ 參數 --- fit_intercept：是否計算截距。False-模型沒有截距 normalize： 當fit_intercept設置為False時，該參數將被忽略。 如果為真，則回歸前的回歸系數X將通過減去平均值並除以l2-范數而歸一化。 n_jobs：指定線程數 """ ## 4.2 邏輯回歸 from sklearn.linear_model import LogisticRegression # 定義邏輯回歸模型 model = LogisticRegression(penalty=’l2’, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver=’liblinear’, max_iter=100, multi_class=’ovr’, verbose=0, warm_start=False, n_jobs=1) """參數 --- penalty：使用指定正則化項（默認：l2） dual: n_samples > n_features取False（默認） C：正則化強度的反，值越小正則化強度越大 n_jobs: 指定線程數 random_state：隨機數生成器 fit_intercept: 是否需要常量 """ ## 4.3 朴素貝葉斯算法NB from sklearn import naive_bayes model = naive_bayes.GaussianNB() # 高斯貝葉斯 model = naive_bayes.MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None) model = naive_bayes.BernoulliNB(alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None) """ 文本分類問題常用MultinomialNB 參數 --- alpha：平滑參數 fit_prior：是否要學習類的先驗概率；false-使用統一的先驗概率 class_prior: 是否指定類的先驗概率；若指定則不能根據參數調整 binarize: 二值化的閾值，若為None，則假設輸入由二進制向量組成 """ ## 4.4 決策樹DT from sklearn import tree model = tree.DecisionTreeClassifier(criterion=’gini’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False) """參數 --- criterion ：特征選擇准則gini/entropy max_depth：樹的最大深度，None-盡量下分 min_samples_split：分裂內部節點，所需要的最小樣本樹 min_samples_leaf：葉子節點所需要的最小樣本數 max_features: 尋找最優分割點時的最大特征數 max_leaf_nodes：優先增長到最大葉子節點數 min_impurity_decrease：如果這種分離導致雜質的減少大於或等於這個值，則節點將被拆分。 """ ## 4.5 支持向量機 from sklearn.svm import SVC model = SVC(C=1.0, kernel=’rbf’, gamma=’auto’) """參數 --- C：誤差項的懲罰參數C gamma: 核相關系數。浮點數，If gamma is ‘auto’ then 1/n_features will be used instead. """ ## 4.6 k近鄰算法 KNN from sklearn import neighbors #定義kNN分類模型 model = neighbors.KNeighborsClassifier(n_neighbors=5, n_jobs=1) # 分類 model = neighbors.KNeighborsRegressor(n_neighbors=5, n_jobs=1) # 回歸 """參數 --- n_neighbors： 使用鄰居的數目 n_jobs：並行任務數 """ ## 4.7 多層感知機 from sklearn.neural_network import MLPClassifier # 定義多層感知機分類算法 model = MLPClassifier(activation='relu', solver='adam', alpha=0.0001) """參數 --- hidden_layer_sizes: 元祖 activation：激活函數 solver ：優化算法{‘lbfgs’, ‘sgd’, ‘adam’} alpha：L2懲罰(正則化項)參數。 """ """ ***************** 五、模型評估與選擇 ***************** """ ## 5.1 交叉驗證 from sklearn.model_selection import cross_val_score cross_val_score(model, X, y=None, scoring=None, cv=None, n_jobs=1) """參數 --- model：擬合數據的模型 cv ： k-fold scoring: 打分參數-‘accuracy’、‘f1’、‘precision’、‘recall’ 、‘roc_auc’、'neg_log_loss'等等 """ ## 5.2 檢驗曲線 from sklearn.model_selection import validation_curve train_score, test_score = validation_curve(model, X, y, param_name, param_range, cv=None, scoring=None, n_jobs=1) """參數 --- model:用於fit和predict的對象 X, y: 訓練集的特征和標簽 param_name：將被改變的參數的名字 param_range： 參數的改變范圍 cv：k-fold 返回值 --- train_score: 訓練集得分（array） test_score: 驗證集得分（array） """ """ ***************** 六、保存模型 ***************** """ ## 6.1 保存為pickle文件 import pickle # 保存模型 with open('model.pickle', 'wb') as f: pickle.dump(model, f) # 讀取模型 with open('model.pickle', 'rb') as f: model = pickle.load(f) model.predict(X_test) ## 6.2 sklearn方法自帶joblib from sklearn.externals import joblib # 保存模型 joblib.dump(model, 'model.pickle') #載入模型 model = joblib.load('model.pickle')