ML神器：sklearn的快速使用

　　传统的机器学习任务从开始到建模的⼀般流程是：获取数据 -> 数据预处理 -> 训练建模 -> 模型评估 -> 预测，分类。本⽂我们将依据传统机器学习的流程，看看在每⼀步流程中都有哪些常⽤的函数以及它们的⽤法是怎么样的。希望你看完这篇⽂章可以最为快速的开始你的学习任务。

1. 获取数据

1.1 导⼊sklearn数据集

　　sklearn中包含了⼤量的优质的数据集，在你学习机器学习的过程中，你可以通过使⽤这些数据集实现出不同的模型，从⽽提⾼你的动⼿实践能⼒，同时这个过程也可以加深你对理论知识的理解和把握。（这⼀步我也亟需加强，⼀起加油！^-^）⾸先呢，要想使⽤sklearn中的数据集，必须导⼊datasets模块：

from sklearn import datasets

下图中包含了⼤部分sklearn中数据集，调⽤⽅式也在图中给出，这⾥我们拿iris的数据来举个例⼦：

iris = datasets.load_iris() # 导⼊数据集X = iris.data # 获得其特征向量y = iris.target # 获得样本label

1.2 创建数据集

　　你除了可以使⽤sklearn⾃带的数据集，还可以⾃⼰去创建训练样本，具体⽤法参见《》，这⾥我们简单介绍⼀些，sklearn中的samplesgenerator包含的⼤量创建样本数据的⽅法：

下⾯我们拿分类问题的样本⽣成器举例⼦：

from sklearn.datasets.samples_generator import make_classificationX, 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：指定样本数# n_features：指定特征数# n_classes：指定⼏分类

# random_state：随机种⼦，使得随机状可重>>> 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. 数据预处理

　　数据预处理阶段是机器学习中不可缺少的⼀环，它会使得数据更加有效的被模型或者评估器识别。下⾯我们来看⼀下sklearn中有哪些平时我们常⽤的函数：

from sklearn import preprocessing

2.1 数据归⼀化

　　为了使得训练数据的标准化规则与测试数据的标准化规则同步，preprocessing中提供了很多Scaler：

data = [[0, 0], [0, 0], [1, 1], [1, 1]]# 1. 基于mean和std的标准化

scaler = preprocessing.StandardScaler().fit(train_data)scaler.transform(train_data)scaler.transform(test_data)

# 2. 将每个特征值归⼀化到⼀个固定范围

scaler = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(train_data)scaler.transform(train_data)scaler.transform(test_data)

#feature_range: 定义归⼀化范围，注⽤（）括起来

2.2 正则化（normalize）

　　当你想要计算两个样本的相似度时必不可少的⼀个操作，就是正则化。其思想是：⾸先求出样本的p-范数，然后该样本的所有元素都要除以该范数，这样最终使得每个样本的范数都为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编码

　　one-hot编码是⼀种对离散特征值的编码⽅式，在LR模型中常⽤到，⽤于给线性模型增加⾮线性能⼒。

data = [[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]]

encoder = preprocessing.OneHotEncoder().fit(data)enc.transform(data).toarray()

3. 数据集拆分

　　在得到训练数据集时，通常我们经常会把训练数据集进⼀步拆分成训练集和验证集，这样有助于我们模型参数的选取。

# 作⽤：将数据集划分为 训练集和测试集# 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)\"\"\"参数---arrays：样本数组，包含特征向量和标签

test_size：

　　float-获得多⼤⽐重的测试样本 （默认：0.25）　　int - 获得多少个测试样本train_size: 同test_size

random_state:

　　int - 随机种⼦（种⼦固定，实验可复现）　　

shuffle - 是否在分割之前对数据进⾏洗牌（默认True）返回---分割后的列表，长度=2*len(arrays), 　　(train-test split)\"\"\"

4. 定义模型

　　在这⼀步我们⾸先要分析⾃⼰数据的类型，搞清出你要⽤什么模型来做，然后我们就可以在sklearn中定义模型了。sklearn为所有模型提供了⾮常相似的接⼝，这样使得我们可以更加快速的熟悉所有模型的⽤法。在这之前我们先来看看模型的常⽤属性和功能：

# 拟合模型

model.fit(X_train, y_train)# 模型预测

model.predict(X_test)

# 获得这个模型的参数model.get_params()# 为模型进⾏打分

model.score(data_X, data_y) # 线性回归：R square； 分类问题： acc

4.1 线性回归

from sklearn.linear_model import LinearRegression# 定义线性回归模型

model = LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1)\"\"\"参数--- fit_intercept：是否计算截距。False-模型没有截距

normalize： 当fit_intercept设置为False时，该参数将被忽略。 如果为真，则回归前的回归系数X将通过减去平均值并除以l2-范数⽽归⼀化。 n_jobs：指定线程数\"\"\"

4.2 逻辑回归LR

from sklearn.linear_model import LogisticRegression# 定义逻辑回归模型

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)\"\"\"参数--- penalty：使⽤指定正则化项（默认：l2）

dual: n_samples > n_features取False（默认） C：正则化强度的反，值越⼩正则化强度越⼤ n_jobs: 指定线程数

random_state：随机数⽣成器 fit_intercept: 是否需要常量\"\"\"

4.3 朴素贝叶斯算法NB

from sklearn import naive_bayes

model = naive_bayes.GaussianNB() # ⾼斯贝叶斯

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)\"\"\"

⽂本分类问题常⽤MultinomialNB参数--- alpha：平滑参数

fit_prior：是否要学习类的先验概率；false-使⽤统⼀的先验概率 class_prior: 是否指定类的先验概率；若指定则不能根据参数调整 binarize: ⼆值化的阈值，若为None，则假设输⼊由⼆进制向量组成\"\"\"

4.4 决策树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)\"\"\"参数--- criterion ：特征选择准则gini/entropy

max_depth：树的最⼤深度，None-尽量下分

min_samples_split：分裂内部节点，所需要的最⼩样本树 min_samples_leaf：叶⼦节点所需要的最⼩样本数 max_features: 寻找最优分割点时的最⼤特征数 max_leaf_nodes：优先增长到最⼤叶⼦节点数

min_impurity_decrease：如果这种分离导致杂质的减少⼤于或等于这个值，则节点将被拆分。\"\"\"

4.5 ⽀持向量机SVM

from sklearn.svm import SVC

model = SVC(C=1.0, kernel=’rbf’, gamma=’auto’)\"\"\"参数--- C：误差项的惩罚参数C

gamma: 核相关系数。浮点数，If gamma is ‘auto’ then 1/n_features will be used instead.\"\"\"

4.6 k近邻算法KNN

from sklearn import neighbors#定义kNN分类模型

model = neighbors.KNeighborsClassifier(n_neighbors=5, n_jobs=1) # 分类model = neighbors.KNeighborsRegressor(n_neighbors=5, n_jobs=1) # 回归\"\"\"参数--- n_neighbors： 使⽤邻居的数⽬ n_jobs：并⾏任务数\"\"\"

4.7 多层感知机（神经⽹络）

from sklearn.neural_network import MLPClassifier# 定义多层感知机分类算法

model = MLPClassifier(activation='relu', solver='adam', alpha=0.0001)\"\"\"参数--- hidden_layer_sizes: 元祖 activation：激活函数

solver ：优化算法{‘lbfgs’, ‘sgd’, ‘adam’} alpha：L2惩罚(正则化项)参数。\"\"\"

5. 模型评估与选择篇

5.1 交叉验证

from sklearn.model_selection import cross_val_score

cross_val_score(model, X, y=None, scoring=None, cv=None, n_jobs=1)\"\"\"参数--- model：拟合数据的模型 cv ： k-fold

scoring: 打分参数-‘accuracy’、‘f1’、‘precision’、‘recall’ 、‘roc_auc’、'neg_log_loss'等等\"\"\"

5.2 检验曲线

　　使⽤检验曲线，我们可以更加⽅便的改变模型参数，获取模型表现。

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)\"\"\"参数--- model:⽤于fit和predict的对象 X, y: 训练集的特征和标签

param_name：将被改变的参数的名字 param_range： 参数的改变范围 cv：k-fold

返回值--- train_score: 训练集得分（array） test_score: 验证集得分（array）\"\"\"

6. 保存模型

　　最后，我们可以将我们训练好的model保存到本地，或者放到线上供⽤户使⽤，那么如何保存训练好的model呢？主要有下⾯两种⽅式：

6.1 保存为pickle⽂件

import pickle

# 保存模型

with open('model.pickle', 'wb') as f: pickle.dump(model, f)

# 读取模型

with open('model.pickle', 'rb') as f: model = pickle.load(f)model.predict(X_test)

6.2 sklearn⾃带⽅法joblib

from sklearn.externals import joblib# 保存模型

joblib.dump(model, 'model.pickle')#载⼊模型

model = joblib.load('model.pickle')