ML神器：sklearn的快速使用

傳統的機器學習任務從開始到建模的一般流程是：獲取資料 -> 資料預處理 -> 訓練建模 -> 模型評估 -> 預測，分類。本文我們將依據傳統機器學習的流程，看看在每一步流程中都有哪些常用的函式以及它們的用法是怎麼樣的。希望你看完這篇文章可以最為快速的開始你的學習任務。

1. 獲取資料

1.1 匯入sklearn資料集

sklearn中包含了大量的優質的資料集，在你學習機器學習的過程中，你可以通過使用這些資料集實現出不同的模型，從而提高你的動手實踐能力，同時這個過程也可以加深你對理論知識的理解和把握。（這一步我也亟需加強，一起加油！-）

首先呢，要想使用sklearn中的資料集，必須匯入datasets模組：

from sklearn import datasets
下圖中包含了大部分sklearn中資料集，呼叫方式也在圖中給出，這裡我們拿iris的資料來舉個例子：

  image   image

iris = datasets.load_iris() # 匯入資料集
X = iris.data # 獲得其特徵向量
y = iris.target # 獲得樣本label
 

1.2 建立資料集

你除了可以使用sklearn自帶的資料集，還可以自己去建立訓練樣本，具體用法參見《Dataset loading utilities》，這裡我們簡單介紹一些，sklearn中的samples generator包含的大量建立樣本資料的方法：

  image   image

下面我們拿分類問題的樣本生成器舉例子：

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：指定特徵數 # n_classes：指定幾分類 # random_state：隨機種子，使得隨機狀可重 

 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] 

2. 資料預處理

資料預處理階段是機器學習中不可缺少的一環，它會使得資料更加有效的被模型或者評估器識別。下面我們來看一下sklearn中有哪些平時我們常用的函式：

from sklearn import preprocessing

2.1 資料歸一化

為了使得訓練資料的標準化規則與測試資料的標準化規則同步，preprocessing中提供了很多Scaler：

data = [[0, 0], [0, 0], [1, 1], [1, 1]] # 1. 基於mean和std的標準化 scaler = preprocessing.StandardScaler().fit(train_data) scaler.transform(train_data) scaler.transform(test_data) # 2. 將每個特徵值歸一化到一個固定範圍 scaler = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(train_data) scaler.transform(train_data) scaler.transform(test_data) #feature_range: 定義歸一化範圍，注用（）括起來 

2.2 正則化（normalize）

當你想要計算兩個樣本的相似度時必不可少的一個操作，就是正則化。其思想是：首先求出樣本的p-範數，然後該樣本的所有元素都要除以該範數，這樣最終使得每個樣本的範數都為1。

X = [[ 1., -1.,  2.],
...      [ 2., 0., 0.], ... [ 0., 1., -1.]] >>> X_normalized = preprocessing.normalize(X, norm='l2') >>> X_normalized array([[ 0.40..., -0.40..., 0.81...], [ 1. ..., 0. ..., 0. ...], [ 0. ..., 0.70..., -0.70...]]) 

2.3 one-hot編碼

one-hot編碼是一種對離散特徵值的編碼方式，在LR模型中常用到，用於給線性模型增加非線效能力。

data = [[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]] encoder = preprocessing.OneHotEncoder().fit(data) enc.transform(data).toarray() 

3. 資料集拆分

在得到訓練資料集時，通常我們經常會把訓練資料集進一步拆分成訓練集和驗證集，這樣有助於我們模型引數的選取。

# 作用：將資料集劃分為 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) """ 引數 --- arrays：樣本陣列，包含特徵向量和標籤 test_size： 　　float-獲得多大比重的測試樣本 （預設：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 - 是否在分割之前對資料進行洗牌（預設True） 返回 --- 分割後的列表，長度=2*len(arrays), 　　(train-test split) """ 

4. 定義模型

在這一步我們首先要分析自己資料的型別，搞清出你要用什麼模型來做，然後我們就可以在sklearn中定義模型了。sklearn為所有模型提供了非常相似的介面，這樣使得我們可以更加快速的熟悉所有模型的用法。在這之前我們先來看看模型的常用屬性和功能：

# 擬合模型
model.fit(X_train, y_train)
# 模型預測
model.predict(X_test)

# 獲得這個模型的引數
model.get_params()
# 為模型進行打分
model.score(data_X, data_y) # 線性迴歸：R square； 分類問題： acc 

4.1 線性迴歸

from sklearn.linear_model import LinearRegression
# 定義線性迴歸模型
model = LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1) """ 引數 --- fit_intercept：是否計算截距。False-模型沒有截距 normalize： 當fit_intercept設定為False時，該引數將被忽略。 如果為真，則迴歸前的迴歸係數X將通過減去平均值併除以l2-範數而歸一化。 n_jobs：指定執行緒數 """ 

  image

4.2 邏輯迴歸LR

from sklearn.linear_model import LogisticRegression
# 定義邏輯迴歸模型
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) """引數 --- penalty：使用指定正則化項（預設：l2） dual: n_samples > n_features取False（預設） C：正則化強度的反，值越小正則化強度越大 n_jobs: 指定執行緒數 random_state：隨機數生成器 fit_intercept: 是否需要常量 """ 

4.3 樸素貝葉斯演算法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) """ 文字分類問題常用MultinomialNB 引數 --- alpha：平滑引數 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；若指定則不能根據引數調整 binarize: 二值化的閾值，若為None，則假設輸入由二進位制向量組成 """ 

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) """引數 --- criterion ：特徵選擇準則gini/entropy max_depth：樹的最大深度，None-儘量下分 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徵數 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 支援向量機SVM

from sklearn.svm import SVC
model = SVC(C=1.0, kernel=’rbf’, gamma=’auto’)
"""引數
---
    C：誤差項的懲罰引數C
    gamma: 核相關係數。浮點數，If gamma is ‘auto’ then 1/n_features will be used instead.
"""

4.6 k近鄰演算法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) # 迴歸 """引數 --- n_neighbors： 使用鄰居的數目 n_jobs：並行任務數 """ 

4.7 多層感知機（神經網路）

from sklearn.neural_network import MLPClassifier
# 定義多層感知機分類演算法
model = MLPClassifier(activation='relu', solver='adam', alpha=0.0001) """引數 --- hidden_layer_sizes: 元祖 activation：啟用函式 solver ：優化演算法{‘lbfgs’, ‘sgd’, ‘adam’} alpha：L2懲罰(正則化項)引數。 """ 

5. 模型評估與選擇篇

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) """引數 --- model：擬合數據的模型 cv ： k-fold scoring: 打分引數-‘accuracy’、‘f1’、‘precision’、‘recall’ 、‘roc_auc’、'neg_log_loss'等等 """ 

5.2 檢驗曲線

使用檢驗曲線，我們可以更加方便的改變模型引數，獲取模型表現。

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) """引數 --- model:用於fit和predict的物件 X, y: 訓練集的特徵和標籤 param_name：將被改變的引數的名字 param_range： 引數的改變範圍 cv：k-fold 返回值 --- train_score: 訓練集得分（array） test_score: 驗證集得分（array） """ 

6. 儲存模型

最後，我們可以將我們訓練好的model儲存到本地，或者放到線上供使用者使用，那麼如何儲存訓練好的model呢？主要有下面兩種方式：

6.1 儲存為pickle檔案

import pickle

# 儲存模型
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自帶方法joblib

from sklearn.externals import joblib

# 儲存模型
joblib.dump(model, 'model.pickle')

#載入模型 model = joblib.load('model.pickle')