本章目錄01

Scikit-learn概述02Scikit-learn主要用法03Scikit-learn案例1.Scikit-learn概述01

Scikit-learn概述02Scikit-learn主要用法03Scikit-learn案例1.Scikit-learn概述Scikit-learn是基于NumPy、SciPy和Matplotlib的開源Python機器學習包,它封裝了一系列數(shù)據(jù)預處理、機器學習算法、模型選擇等工具,是數(shù)據(jù)分析師首選的機器學習工具包。自2007年發(fā)布以來，scikit-learn已經(jīng)成為Python重要的機器學習庫了，scikit-learn簡稱sklearn，支持包括分類，回歸，降維和聚類四大機器學習算法。還包括了特征提取，數(shù)據(jù)處理和模型評估三大模塊。2.Scikit-learn主要用法01

Scikit-learn概述02Scikit-learn主要用法03Scikit-learn案例X_train

|

訓練數(shù)據(jù).X_test

|

測試數(shù)據(jù).X

|

完整數(shù)據(jù).符號標記2.Scikit-learn主要用法y_train

|

訓練集標簽.y_test

|

測試集標簽.y

|

數(shù)據(jù)標簽.2.Scikit-learn主要用法導入工具包fromsklearnimportdatasets,

preprocessingfromsklearn.model_selectionimporttrain_test_splitfromsklearn.linear_modelimportLinearRegressionfromsklearn.metricsimport

r2_score基本建模流程2.Scikit-learn主要用法Scikit-learn支持以NumPy的arrays對象、Pandas對象、SciPy的稀疏矩陣及其他可轉(zhuǎn)換為數(shù)值型arrays的數(shù)據(jù)結構作為其輸入，前提是數(shù)據(jù)必須是數(shù)值型的sklearn.datasets模塊提供了一系列加載和獲取著名數(shù)據(jù)集如鳶尾花、波士頓房價、Olivetti人臉、MNIST數(shù)據(jù)集等的工具，也包括了一些toy

data如S型數(shù)據(jù)等的生成工具fromsklearn.datasetsimportload_irisiris=

load_iris()X=

iris.datay=

iris.target加載數(shù)據(jù)2.Scikit-learn主要用法fromsklearn.model_selectionimporttrain_test_splitX_train,X_test,y_train,y_test=train_test_split(X,y,random_state=12,stratify=y,test_size=0.3)將完整數(shù)據(jù)集的70%作為訓練集，30%作為測試集，并使得測試集和訓練集中各類別數(shù)據(jù)的比例與原始數(shù)據(jù)集比例一致（stratify分層策略），另外可通過設置

shuffle=True

提前打亂數(shù)據(jù)數(shù)據(jù)劃分訓練集測試集數(shù)據(jù)集2.Scikit-learn主要用法使?Scikit-learn進?數(shù)據(jù)標準化fromsklearn.preprocessingimport

StandardScaler構建轉(zhuǎn)換器實例scaler=

StandardScaler()擬合及轉(zhuǎn)換scaler.fit_transform(X_train)數(shù)據(jù)預處理Z-Score標準化

處理后的數(shù)據(jù)均值為0，方差為12.Scikit-learn主要用法使用Scikit-learn進?數(shù)據(jù)變換數(shù)據(jù)預處理最小最大標準化One-Hot編碼歸一化二值化（單個特征轉(zhuǎn)換）標簽編碼缺失值填補多項式特征生成MinMaxScalerOneHotEncoderNormalizerBinarizerLabelEncoderImputerPolynomialFeatures歸一化（最大-最小規(guī)范化）

將數(shù)據(jù)映射到[0,1]區(qū)間2.Scikit-learn主要用法特征選擇fromsklearnimportfeature_selectionas

fsfs.SelectKBest(score_func,

k)

過濾式（Filter），保留得分排名前k的特征（top

k方式）fs.RFECV(estimator, scoring=“r2”)封裝式（Wrap-per），結合交叉驗證的遞歸特征消除法，自動選擇最優(yōu)特征個數(shù)

fs.SelectFromModel(estimator)

嵌入式（Embedded），從模型中自動選擇特征，任何具有coef_或者feature_importances_的基模型都可以作為estimator參數(shù)傳入2.Scikit-learn主要用法監(jiān)督學習算法-回歸fromsklearn.linear_modelimport

LinearRegression構建模型實例lr=

LinearRegression(normalize=True)訓練模型lr.fit(X_train,

y_train)作出預測y_pred=

lr.predict(X_test)

LASSO linear_model.LassoRidge linear_model.RidgeElasticNet linear_model.ElasticNet回歸樹 tree.DecisionTreeRegressor2.Scikit-learn主要用法監(jiān)督學習算法-分類fromsklearn.treeimportDecisionTreeClassifierclf=DecisionTreeClassifier(max_depth=5)clf.fit(X_train,

y_train)y_pred=clf.predict(X_test)y_prob=

clf.predict_proba(X_test)使用決策樹分類算法解決二分類問題，

y_prob

為每個樣本預測為“0”和“1”類的概率1.Scikit-learn概述邏輯回歸支持向量機樸素貝葉斯K近鄰linear_model.LogisticRegressionsvm.SVCnaive_bayes.GaussianNBneighbors.NearestNeighbors監(jiān)督學習算法-分類2.Scikit-learn主要用法監(jiān)督學習算法-集成學習sklearn.ensemble模塊包含了一系列基于集成思想的分類、回歸和離群值檢測方法.fromsklearn.ensembleimportRandomForestClassifierclf=RandomForestClassifier(n_estimators=20)clf.fit(X_train,

y_train)y_pred=clf.predict(X_test)y_prob=

clf.predict_proba(X_test)AdaBoost基于梯度提升ensemble.AdaBoostClassifierensemble.AdaBoostRegressorensemble.GradientBoostingClassifierensemble.GradientBoostingRegressor2.Scikit-learn主要用法無監(jiān)督學習算法sklearn.cluster模塊包含了一系列無監(jiān)督聚類算法.fromsklearn.clusterimport

KMeans構建聚類實例kmeans=KMeans(n_clusters=3,

random_state=0)擬合kmeans.fit(X_train)預測kmeans.predict(X_test)2.Scikit-learn主要用法無監(jiān)督學習算法-降維sklearn.decomposition模塊包含了一系列無監(jiān)督降維算法fromsklearn.decompositionimportPCA導入PCA庫，設置主成分數(shù)量為3，n_components代表主成分數(shù)量pca=PCA(n_components=3)訓練模型pca.fit(X)投影后各個特征維度的方差比例(這里是三個主成分)print(pca.explained_variance_ratio_)投影后的特征維度的方差print(pca.explained_variance_)2.Scikit-learn主要用法無監(jiān)督學習算法-聚類DBSCAN層次聚類譜聚類cluster.DBSCANcluster.AgglomerativeClusteringcluster.SpectralClustering2.Scikit-learn主要用法評價指標sklearn.metrics模塊包含了一系列用于評價模型的評分函數(shù)、損失函數(shù)以及成對數(shù)據(jù)的距離度量函數(shù).fromsklearn.metricsimportaccuracy_scoreaccuracy_score(y_true,

y_pred)對于測試集而言，y_test即是y_true，大部分函數(shù)都必須包含真實值y_true和預測值y_pred.2.Scikit-learn主要用法評價指標回歸模型評價metrics.mean_absolute_error()

|平均絕對誤差MAEmetrics.mean_squared_error()

|

均方誤差MSEmetrics.r2_score()

|

決定系數(shù)R2.2.Scikit-learn主要用法評價指標分類模型評價metrics.accuracy_score()|正確率

metrics.precision_score()

|

各類精確率

metrics.f1_score()|F1值

metrics.log_loss()

|

對數(shù)損失或交叉熵損失

metrics.confusion_matrix

|

混淆矩陣metrics.classification_report

|含多種評價的分類報告2.Scikit-learn主要用法評價指標分類模型評價metrics.accuracy_score()|正確率.metrics.precision_score()

|

各類精確率.metrics.f1_score()|F1值.metrics.log_loss()

|

對數(shù)損失或交叉熵損失.metrics.confusion_matrix

|

混淆矩陣.metrics.classification_report

|含多種評價的分類報告.2.Scikit-learn主要用法交叉驗證及超參數(shù)調(diào)優(yōu)fromsklearn.model_selectionimportcross_val_scoreclf=

DecisionTreeClassifier(max_depth=5)scores=cross_val_score(clf,X_train,y_train,cv=5,

scoring=’f1_weighted’)使用5折交叉驗證對決策樹模型進行評估，使用的評分函數(shù)為F1值sklearn提供了部分帶交叉驗證功能的模型類如LassoCV、LogisticRegressionCV等，這些類包含cv參數(shù)2.Scikit-learn主要用法交叉驗證及超參數(shù)調(diào)優(yōu)超參數(shù)調(diào)優(yōu)?網(wǎng)格搜索fromsklearn.model_selectionimportGridSearchCVfromsklearnimport

svmsvc=

svm.SVC()params={‘kernel’:[‘linear’,‘rbf’],‘C’:[1,10]}grid_search=GridSearchCV(svc,params,cv=5)grid_search.fit(X_train,y_train)grid_search.best_params_在參數(shù)網(wǎng)格上進行窮舉搜索，方法簡單但是搜索速度慢（超參數(shù)較多時），且不容易找到參數(shù)空間中的局部最優(yōu)2.Scikit-learn主要用法交叉驗證及超參數(shù)調(diào)優(yōu)超參數(shù)調(diào)優(yōu)?隨機搜索fromsklearn.model