本文共 3794 字,大约阅读时间需要 12 分钟。
目录
分类(目标值离散型):k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
回归(目标值连续型):线性回归、岭回归
标注:隐马尔可夫模型(不做要求)
聚类:k-means
机器学习一般的数据集,划分为训练集和测试集。
训练集:用于训练,构建模型
测试集:在模型检验时使用,用于评估模型是否有效
sklearn.model_selection.train_test_split
sklearn.datasets.load_*() 获取小规模数据集,数据包含在datasets里
sklearn.datasets.fetch_*(data_home=None) 获取大规模数据集,需要从网络上下载,函数的第一个参数是data_home,表示数据集下载的目录,默认是~/scikit_learn_data/
标签名指的是目标值
例子:
这是一个新闻数据集
获取新闻数据集的例子:
例子:
转换器是在特征工程时用,fit_transform就相当于fit+transform。
fit只把数据输入进去,做一些平均,方差计算,transform只用fit进去的标准来转换数据进行输出。
估计器是实现了算法的API
estimator.score()
一般的估计器都有score方法(算准确率),即预测结果正确的百分比。(预测100个对象,有多少个预测正确)
精确率、召回率
F1-score
我们先考虑二分类的问题,比如对猫和狗进行分类的时候,会出现预测结果正确和错误的。
更多的场景是考虑召回率,比如预测癌症的场景中,分析100个癌症患者中被预测为癌症的概率。
F1-score,反应了模型的稳健性。F1是综合评判标准。
sklearn.metrics.classification_report
目的:为了让被评估的模型更加准确可信
一般交叉验证和网格搜索一起使用
sklearn.model_selection.GridSearchCV
GridSearch:网格搜索
CV:cross validation 交叉验证
cv一般填10
from sklearn.model_selection import train_test_split, GridSearchCVfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn.preprocessing import StandardScalerfrom sklearn.datasets import load_iris, fetch_20newsgroupsfrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.naive_bayes import MultinomialNBfrom sklearn.metrics import classification_reportimport pandas as pddef knncls_GridSearchCV(): """ K-近邻预测用户签到位置 :return: None """ # TODO 读取数据 data = pd.read_csv("train.csv") # print(data.head(10)) # TODO 处理数据 # 1、缩小数据量,为了迅速查询数据 data = data.query("x>1.0 & x<1.25 & y>2.5 & y<2.75") # print(data.head(10)) # 把日期格式转换成字典格式 time_value = pd.to_datetime(data['time'], unit='s') # print(time_value) # print(type(time_value)) # Series time_value = pd.DatetimeIndex(time_value) # print(time_value) # print(type(time_value)) # DatetimeIndex # 2、构造一些时间特征 data['day'] = time_value.day # 这种形式的增加列,是把time_value的day复制一份,而loc方法是直接拿来用。 data['hour'] = time_value.hour data['weekday'] = time_value.weekday # 3、把时间戳特征删除 data = data.drop(['time'], axis=1) # Pandas中axis=1表示列 # print(data) # 4、将签到位置少于n个用户的删除 place_count = data.groupby('place_id').count() # 分组之后,索引为分组字段,并且列没有分组字段 tf = place_count[place_count.row_id > 3].reset_index() # 重设索引,并且列增加索引字段 data = data[data['place_id'].isin(tf.place_id)] # 把row_id列删除,此列无意义 data = data.drop(['row_id'], axis=1) # print(data) # 5、取出数据当中的特征值和目标值 y = data['place_id'] x = data.drop(['place_id'], axis=1) # 6、进行数据的分割,训练集和测试集 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25) # 训练目标值,测试目标值,训练特征值,测试特征值 # print(x_train) # print(x_test) # TODO 特征工程(标准化) std = StandardScaler() # 对测试集和训练集的特征值进行标准化 x_train = std.fit_transform(x_train) x_test = std.transform(x_test) ''' # TODO 进行算法流程 knn = KNeighborsClassifier(n_neighbors=3) # fit predict,score knn.fit(x_train, y_train) # TODO 得出预测结果 y_predict = knn.predict(x_test) print("y预测的目标签到位置为:", y_predict) # TODO 得出准确率 print("预测的准确率:", knn.score(x_test, y_test)) ''' knn = KNeighborsClassifier() # 构造一些参数的值进行搜索 param = {"n_neighbors": [3, 5, 10]} # TODO 进行网格搜索 gc = GridSearchCV(knn, param_grid=param, cv=2) gc.fit(x_train, y_train) # 预测准确性 print("在测试集上的准确率:", gc.score(x_test, y_test)) print("在交叉验证当中最好的结果:", gc.best_score_) print("选择最好的模型是:", gc.best_estimator_) print("每个超参数每次交叉验证的结果:", gc.cv_results_) return Noneif __name__ == '__main__': knncls_GridSearchCV()
结果:
转载地址:http://udrgn.baihongyu.com/