总结机器学习部分计算原理

　　感觉学习python的机器学习还是要总结下的，东西太多了，又不知道那个是常用的，不如总结一下以免忘记，也好以后查看。

　　1、数据集

　　　　数据集就是大量的、有效的数据，数据集分为训练集和测试集，以下全部为个人理解：训练集就是样本数据，通过对大量样本数据进行统计学计算，得到“样本们”表达出的共有的性质，就是特征。我觉得就可以类比于人类“找规律”，机器通过训练集“找规律”，找到规律后，就可以以这个规律来验证其他的数据是否符合，从而判断其他数据代表的内容是不是想要得到的目标。

　　　　最常见的小型数据集就是sklearn自带的鸢尾花数据集，sklearn是python的第三方库，开源的机器学习工具包，我们可以从中找到鸢尾花数据集，代码如下

from sklearn.datasets import load_iris
# 测试鸢尾花数集
def dataset():
    iris = load_iris()
    print(iris)

　　　　打印出来的效果是这样的：

　　　　　　　　数据太多了，就不全截屏了，可以看到的是，共150条样本，均分成3类（指3类鸢尾花，分别是'setosa', 'versicolor', 'virginica'，分别是山鸢尾花，变色鸢尾花和维吉尼亚鸢尾花），分为4个属性（分别是'sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'，分别是花萼长度，花萼宽度，花瓣长度，花瓣宽度）。想要了解更多可以 看一看探索sklearn | 鸢尾花数据集和分析鸢尾花数据集。

　　2、字典特征抽取

　　　　特征抽取，个人理解就是将所有的东西统一转化为数字，因为只有数字才可以进行计算处理。这里就涉及到了one-hot编码的转化方式。这是一个比较难理解的编码方式，它转换的规则应该用程序来解释。下面的程序就是字典特征抽取。

def dict_trans():
    # 设置数据
    data = [{"关键词": "理工大学","位置":"山西"},
            {"关键词": "理工大学","位置":"北京"},
            {"关键词": "清华大学","位置":"北京"}]
    # 实例化DictVectorizer,参数sparse默认True，默认截图第二个
    trans = DictVectorizer(sparse=False)
    # 进行特征抽取
    datax = trans.fit_transform(data)
    print(datax)
    # 打印特征属性名字
    print(trans.get_feature_names())

　　　　可以通过运行结果了解one-hot编码格式是什么样的：第一张图是3x4矩阵，可以看到提取出4个特征属性对应矩阵的4列，而data中有3个样本正好对应矩阵的3行，所以可以看出，形成的3x4矩阵，行表示样本，列表示4个特征属性，而1和0代表当前样本有没有这个特征属性。

　　　　在第二张图中表示的是图一的描述位置，（0，1）代表第0行第1列有值，1.0表示值为1，剩下的以此类推。当然，如果data中给的特征属性不是字符串，而是数字，那么在图一的矩阵中相应位置上就会显示数字，而图二中的位置表示的值就是给定的数字。

　　3、文本特征抽取

　　　　文本特征抽取和字典特征抽取实现代码基本相同，但其中，data应当是列表格式，下附代码和输出

# 文本特征抽取
def text_trans():
    data = ['理工大学 山西','理工大学 北京','清华大学 北京']
    trans = CountVectorizer()
    datax = trans.fit_transform(data)
    # CountVectorizer没有参数sparse，所以用toarray达到输出效果
    print(datax.toarray())
    print(trans.get_feature_names())

 

　　　　　文本特征抽取需要注意的一点是输入的数据，CountVectorizer()方法可以识别单个字、符号的无用字符串，它也可以根据标点符号、空格分割出特征属性，但它不可以将中文段落识别成一个个中文词组，所以应当配合jieba（同样是python的第三方库，专门用来处理中文）切词共同食用。

参考资料：https://blog.csdn.net/u013019338/article/details/87475669

　　　　　https://www.cnblogs.com/mandy-study/p/7941365.html

　　　　　https://blog.csdn.net/chuan403082010/article/details/85217891

推荐数据集网站（国内能上的）：https://tianchi.aliyun.com/dataset/

　　　　　　　　　　　　　　　https://www.kdnuggets.com/datasets/index.html

　　　　　　　　　　　　　　　https://www.pkbigdata.com/common/cmptIndex.html