sklearn转化器和预估器
转换器：
想一下之前做的特征工程的步骤？
- 1、实例化 (实例化的是一个转换器类(Transformer))
- 2、调用fit_transform(对于文档建立分类词频矩阵，不能同时调用)
我们把特征工程的接口称之为转换器，其中转换器调用有这么几种形式
- fit_transform
- fit
- transform
这几个方法之间的区别是什么呢？我们看以下代码就清楚了
In [1]: from sklearn.preprocessing import StandardScaler In [2]: std1 = StandardScaler() In [3]: a = [[1,2,3], [4,5,6]] In [4]: std1.fit_transform(a) Out[4]: array([[-1., -1., -1.], [ 1., 1., 1.]]) In [5]: std2 = StandardScaler() In [6]: std2.fit(a) Out[6]: StandardScaler(copy=True, with_mean=True, with_std=True) In [7]: std2.transform(a) Out[7]: array([[-1., -1., -1.], [ 1., 1., 1.]])
从中可以看出，fit_transform的作用相当于transform加上fit。但是为什么还要提供单独的fit呢, 我们还是使用原来的std2来进行标准化看看
In [8]: b = [[7,8,9], [10, 11, 12]] In [9]: std2.transform(b) Out[9]: array([[3., 3., 3.], [5., 5., 5.]]) In [10]: std2.fit_transform(b) Out[10]: array([[-1., -1., -1.], [ 1., 1., 1.]])
估计器(sklearn机器学习算法的实现)：
在sklearn中，估计器(estimator)是一个重要的角色，是一类实现了算法的API
- 1、用于分类的估计器：
- sklearn.neighbors k-近邻算法
- sklearn.naive_bayes 贝叶斯
- sklearn.linear_model.LogisticRegression 逻辑回归
- sklearn.tree 决策树与随机森林
- 2、用于回归的估计器：
- sklearn.linear_model.LinearRegression 线性回归
- sklearn.linear_model.Ridge 岭回归
- 3、用于无监督学习的估计器
- sklearn.cluster.KMeans 聚类
估计器工作流程
K-近邻算法：
核心思想;根据你的邻居判别你的类别
定义
如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
来源：KNN算法最早是由Cover和Hart提出的一种分类算法
距离公式
两个样本的距离可以通过如下公式计算，又叫欧式距离
K-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto') n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数 algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用 BallTree，‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)
类型分析案例：
K值取得过大，当样本不均衡的时候容易出错。
K值取得过小，容易受到异常点的影响。在进行K-近邻算法之前需要怎样的处理。
案例一：
用knn对鸢尾花数据集进行分类
# 用knn对鸢尾花数据集进行分类 def knn_iris(): #获取数据集 iris = load_iris() #进行数据及的划分 x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=22) #test_size默认是0.25,random_state表示随机数种子(前两个参数是特征值和目标值) #进行标准化 transfer=StandardScaler() x_train=transfer.fit_transform(x_train) x_test=transfer.transform(x_test) #KNN算法 estimator=KNeighborsClassifier(n_neighbors=3) estimator.fit(x_train,y_train) #模型的被评估.计算值准确率 #方法一直接比较预估值和真实值 y_predit=estimator.predict(x_test) print("y_predict ",y_predit) print("直接比较预估值和真实值",y_test==y_predit) #方法二计算准确率 score=estimator.score(x_test,y_test) print("准确率为：",score) return None if __name__=="__main__": knn_iris()
大小不一样得到的结果不一样。
模式选择与调优：
为什么需要交叉验证
交叉验证目的：为了让被评估的模型更加准确可信
什么是交叉验证(cross validation)
交叉验证：将拿到的训练数据，分为训练和验证集。以下图为例：将数据分成5份，其中一份作为验证集。然后经过5次(组)的测试，每次都更换不同的验证集。即得到5组模型的结果，取平均值作为最终结果。又称5折交叉验证。
分析
我们之前知道数据分为训练集和测试集，但是为了让从训练得到模型结果更加准确。做以下处理
- 训练集：训练集+验证集
- 测试集：测试集
问题：那么这个只是对于参数得出更好的结果，那么怎么选择或者调优参数呢？
超参数搜索-网格搜索(Grid Search)
通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫超参数。但是手动过程繁杂，所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。
模型选择与调优
sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None) 对估计器的指定参数值进行详尽搜索 estimator：估计器对象 param_grid：估计器参数(dict){“n_neighbors”:[1,3,5]} cv：指定几折交叉验证 fit：输入训练数据 score：准确率 结果分析： bestscore:在交叉验证中验证的最好结果_ bestestimator：最好的参数模型 cvresults:每次交叉验证后的验证集准确率结果和训练集准确率结果
案例：鸢尾花案例增加K值调优
# 用knn对鸢尾花数据集进行分类-添加网格搜索和交叉验证 def knn_iris_gscv(): #获取数据集 iris = load_iris() #进行数据及的划分 x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=22) #test_size默认是0.25,random_state表示随机数种子(前两个参数是特征值和目标值) #进行标准化 transfer=StandardScaler() x_train=transfer.fit_transform(x_train) x_test=transfer.transform(x_test) #KNN算法 estimator=KNeighborsClassifier() #加入网格搜索和交叉验证 #参数准备 param_dict={"n_neighbors":[1,3,5,7,9,11]} estimator=GridSearchCV(estimator,param_grid=param_dict,cv=10) estimator.fit(x_train,y_train) #模型的被评估.计算值准确率 #方法一直接比较预估值和真实值 y_predit=estimator.predict(x_test) print("y_predict ",y_predit) print("直接比较预估值和真实值",y_test==y_predit) #方法二计算准确率 score=estimator.score(x_test,y_test) print("准确率为：",score) #最佳参数 print("最佳参数：", estimator.best_params_) #最佳结果 print("最佳结果：", estimator.best_score_) #最佳估计器 print("最佳估计器：", estimator.best_estimator_) #交叉验证结果 print("交叉验证结果：", estimator.cv_results_) return None if __name__=="__main__": knn_iris_gscv()
