在机器学习和数据挖掘的应用中，scikit-learn是一个功能强大的python包。在数据量不是过大的情况下，可以解决大部分问题。学习使用scikit-learn的过程中，我自己也在补充着机器学习和数据挖掘的知识。这里根据自己学习sklearn的经验，我做一个总结的笔记。另外，我也想把这篇笔记一直更新下去。 1 scikit-learn基础介绍 1.1 估计器（Estimator） 估计器，很多时候可以直接理解成分类器，主要包含两个函数： fit()：训练算法，设置内部参数。接收训练集和类别两个参数。 predict()：预测测试集类别，参数为测试集。 大多数scikit-learn估计器接收和输出的数据格式均为numpy数组或类似格式。 1.2 转换器（Transformer） 转换器用于数据预处理和数据转换，主要是三个方法： fit()：训练算法，设置内部参数。 transform()：数据转换。 fit_transform()：合并fit和transform两个方法。 1.3 流水线（Pipeline） sklearn.pipeline包 流水线的功能： 跟踪记录各步骤的操作（以方便地重现实验结果） 对各步骤进行一个封装 确保代码的复杂程度不至于超出掌控范围 基本使用方法 流水线的输入为一连串的数据挖掘步骤，其中最后一步必须是估计器，前几步是转换器。输入的数据集经过转换器的处理后，输出的结果作为下一步的输入。最后，用位于流水线最后一步的估计器对数据进行分类。 每一步都用元组（ ‘名称’，步骤）来表示。现在来创建流水线。 scaling_pipeline = Pipeline([ ('scale', MinMaxScaler()), ('predict', KNeighborsClassifier()) ]) 1.4 预处理 主要在sklearn.preprcessing包下。 规范化： MinMaxScaler :最大最小值规范化 Normalizer :使每条数据各特征值的和为1 StandardScaler :为使各特征的均值为0，方差为1 编码： LabelEncoder ：把字符串类型的数据转化为整型 OneHotEncoder ：特征用一个二进制数字来表示 Binarizer :为将数值型特征的二值化 MultiLabelBinarizer：多标签二值化 1.5 特征 1.5.1 特征抽取 包：sklearn.feature_extraction 特征抽取是数据挖掘任务最为重要的一个环节，一般而言，它对最终结果的影响要高过数据挖掘算法本身。只有先把现实用特征表示出来，才能借助数据挖掘的力量找到问题的答案。特征选择的另一个优点在于：降低真实世界的复杂度，模型比现实更容易操纵。 一般最常使用的特征抽取技术都是高度针对具体领域的，对于特定的领域，如图像处理，在过去一段时间已经开发了各种特征抽取的技术，但这些技术在其他领域的应用却非常有限。 DictVectorizer： 将dict类型的list数据，转换成numpy array FeatureHasher ： 特征哈希，相当于一种降维技巧 image：图像相关的特征抽取 text： 文本相关的特征抽取 text.CountVectorizer：将文本转换为每个词出现的个数的向量 text.TfidfVectorizer：将文本转换为tfidf值的向量 text.HashingVectorizer：文本的特征哈希 示例 data.png CountVectorize只数出现个数 count.png hash.png TfidfVectorizer：个数+归一化（不包括idf） tfidf(without idf).png 1.5.2 特征选择 包：sklearn.feature_selection 特征选择的原因如下： (1)降低复杂度 (2)降低噪音 (3)增加模型可读性 VarianceThreshold： 删除特征值的方差达不到最低标准的特征 SelectKBest： 返回k个最佳特征 SelectPercentile： 返回表现最佳的前r%个特征 单个特征和某一类别之间相关性的计算方法有很多。最常用的有卡方检验（χ2）。其他方法还有互信息和信息熵。 chi2： 卡方检验（χ2） 1.6 降维 包：sklearn.decomposition 主成分分析算法（Principal Component Analysis， PCA）的目的是找到能用较少信息描述数据集的特征组合。它意在发现彼此之间没有相关性、能够描述数据集的特征，确切说这些特征的方差跟整体方差没有多大差距，这样的特征也被称为主成分。这也就意味着，借助这种方法，就能通过更少的特征捕获到数据集的大部分信息。 1.7 组合 包：**sklearn.ensemble ** 组合技术即通过聚集多个分类器的预测来提高分类准确率。 常用的组合分类器方法： (1)通过处理训练数据集。即通过某种抽样分布，对原始数据进行再抽样，得到多个训练集。常用的方法有装袋（bagging）和提升（boosting）。 (2)通过处理输入特征。即通过选择输入特征的子集形成每个训练集。适用于有大量冗余特征的数据集。随机森林（Random forest）就是一种处理输入特征的组合方法。 (3)通过处理类标号。适用于多分类的情况，将类标号随机划分成两个不相交的子集，再把问题变为二分类问题，重复构建多次模型，进行分类投票。 BaggingClassifier： Bagging分类器组合 BaggingRegressor： Bagging回归器组合 AdaBoostClassifier： AdaBoost分类器组合 AdaBoostRegressor： AdaBoost回归器组合 GradientBoostingClassifier：GradientBoosting分类器组合 GradientBoostingRegressor： GradientBoosting回归器组合 ExtraTreeClassifier：ExtraTree分类器组合 ExtraTreeRegressor： ExtraTree回归器组合 RandomTreeClassifier：随机森林分类器组合 RandomTreeRegressor： 随机森林回归器组合 使用举例 AdaBoostClassifier(DecisionTreeClassifier(max_depth=1), algorithm="SAMME", n_estimators=200) 解释 装袋（bagging）：根据均匀概率分布从数据集中重复抽样（有放回），每个自助样本集和原数据集一样大，每个自助样本集含有原数据集大约63%的数据。训练k个分类器，测试样本被指派到得票最高的类。 提升（boosting）：通过给样本设置不同的权值，每轮迭代调整权值。不同的提升算法之间的差别，一般是（1）如何更新样本的权值，（2）如何组合每个分类器的预测。其中Adaboost中，样本权值是增加那些被错误分类的样本的权值，分类器C_i的重要性依赖于它的错误率。 Boosting主要关注降低偏差，因此Boosting能基于泛化性能相当弱的学习器构建出很强的集成；Bagging主要关注降低方差，因此它在不剪枝的决策树、神经网络等学习器上效用更为明显。偏差指的是算法的期望预测与真实预测之间的偏差程度，反应了模型本身的拟合能力；方差度量了同等大小的训练集的变动导致学习性能的变化，刻画了数据扰动所导致的影响。 1.8 模型评估（度量） 包：sklearn.metrics sklearn.metrics包含评分方法、性能度量、成对度量和距离计算。 分类结果度量 参数大多是y_true和y_pred。 accuracy_score：分类准确度 condusion_matrix ：分类混淆矩阵 classification_report：分类报告 precision_recall_fscore_support：计算精确度、召回率、f、支持率 jaccard_similarity_score：计算jcaard相似度 hamming_loss：计算汉明损失 zero_one_loss：0-1损失 hinge_loss：计算hinge损失 log_loss：计算log损失 其中，F1是以每个类别为基础进行定义的，包括两个概念：准确率（precision）和召回率（recall）。准确率是指预测结果属于某一类的个体，实际属于该类的比例。召回率是被正确预测为某类的个体，与数据集中该类个体总数的比例。F1是准确率和召回率的调和平均数。 回归结果度量 explained_varicance_score：可解释方差的回归评分函数 mean_absolute_error：平均绝对误差 mean_squared_error：平均平方误差 多标签的度量 coverage_error：涵盖误差 label_ranking_average_precision_score：计算基于排名的平均误差Label ranking average precision (LRAP) 聚类的度量 adjusted_mutual_info_score：调整的互信息评分 silhouette_score：所有样本的轮廓系数的平均值 silhouette_sample：所有样本的轮廓系数 1.9 交叉验证 包：sklearn.cross_validation KFold：K-Fold交叉验证迭代器。接收元素个数、fold数、是否清洗 LeaveOneOut：LeaveOneOut交叉验证迭代器 LeavePOut：LeavePOut交叉验证迭代器 LeaveOneLableOut：LeaveOneLableOut交叉验证迭代器 LeavePLabelOut：LeavePLabelOut交叉验证迭代器 LeaveOneOut(n) 相当于 KFold(n, n_folds=n) 相当于LeavePOut(n, p=1)。 LeaveP和LeaveOne差别在于leave的个数，也就是测试集的尺寸。LeavePLabel和LeaveOneLabel差别在于leave的Label的种类的个数。 LeavePLabel这种设计是针对可能存在第三方的Label，比如我们的数据是一些季度的数据。那么很自然的一个想法就是把1,2,3个季度的数据当做训练集，第4个季度的数据当做测试集。这个时候只要输入每个样本对应的季度Label，就可以实现这样的功能。 以下是实验代码，尽量自己多实验去理解。 #coding=utf-8 import numpy as np import sklearnfrom sklearn import cross_validation X = np.array([[1, 2], [3, 4], [5, 6], [7, 8],[9, 10]]) y = np.array([1, 2, 1, 2, 3]) def show_cross_val(method): if method == "lolo": labels = np.array(["summer", "winter", "summer", "winter", "spring"]) cv = cross_validation.LeaveOneLabelOut(labels) elif method == 'lplo': labels = np.array(["summer", "winter", "summer", "winter", "spring"]) cv = cross_validation.LeavePLabelOut(labels,p=2) elif method == 'loo': cv = cross_validation.LeaveOneOut(n=len(y)) elif method == 'lpo': cv = cross_validation.LeavePOut(n=len(y),p=3) for train_index, test_index in cv: print("TRAIN:", train_index, "TEST:", test_index) X_train, X_test = X[train_index], X[test_index] y_train, y_test = y[train_index], y[test_index] print "X_train: ",X_train print "y_train: ", y_train print "X_test: ",X_test print "y_test: ",y_test if __name__ == '__main__': show_cross_val("lpo") 常用方法 train_test_split：分离训练集和测试集（不是K-Fold） cross_val_score：交叉验证评分，可以指认cv为上面的类的实例 cross_val_predict：交叉验证的预测。 1.10 网格搜索 包：sklearn.grid_search 网格搜索最佳参数 GridSearchCV：搜索指定参数网格中的最佳参数 ParameterGrid：参数网格 ParameterSampler：用给定分布生成参数的生成器 RandomizedSearchCV：超参的随机搜索 通过best_estimator_.get_params()方法，获取最佳参数。 1.11 多分类、多标签分类 包：sklearn.multiclass OneVsRestClassifier：1-rest多分类（多标签）策略 OneVsOneClassifier：1-1多分类策略 OutputCodeClassifier：1个类用一个二进制码表示 示例代码 #coding=utf-8 from sklearn import metrics from sklearn import cross_validation from sklearn.svm import SVC from sklearn.multiclass import OneVsRestClassifier from sklearn.preprocessing import MultiLabelBinarizer import numpy as np from numpy import random X=np.arange(15).reshape(5,3) y=np.arange(5) Y_1 = np.arange(5) random.shuffle(Y_1) Y_2 = np.arange(5) random.shuffle(Y_2) Y = np.c_[Y_1,Y_2] def multiclassSVM(): X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=0.2,random_state=0) model = OneVsRestClassifier(SVC()) model.fit(X_train, y_train) predicted = model.predict(X_test) print predicted def multilabelSVM(): Y_enc = MultiLabelBinarizer().fit_transform(Y) X_train, X_test, Y_train, Y_test = cross_validation.train_test_split(X, Y_enc, test_size=0.2, random_state=0) model = OneVsRestClassifier(SVC()) model.fit(X_train, Y_train) predicted = model.predict(X_test) print predicted if __name__ == '__main__': multiclassSVM() # multilabelSVM() 上面的代码测试了svm在OneVsRestClassifier的包装下，分别处理多分类和多标签的情况。特别注意，在多标签的情况下，输入必须是二值化的。所以需要MultiLabelBinarizer()先处理。 2 具体模型 2.1 朴素贝叶斯（Naive Bayes） 包：sklearn.cross_validation 朴素贝叶斯.png 朴素贝叶斯的特点是分类速度快，分类效果不一定是最好的。 GasussianNB：高斯分布的朴素贝叶斯 MultinomialNB：多项式分布的朴素贝叶斯 BernoulliNB：伯努利分布的朴素贝叶斯 所谓使用什么分布的朴素贝叶斯，就是假设P(x_i|y)是符合哪一种分布，比如可以假设其服从高斯分布，然后用最大似然法估计高斯分布的参数。 高斯分布.png 多项式分布.png 伯努利分布.png 3 scikit-learn扩展 3.0 概览 具体的扩展，通常要继承sklearn.base包下的类。 BaseEstimator： 估计器的基类 ClassifierMixin ：分类器的混合类 ClusterMixin：聚类器的混合类 RegressorMixin ：回归器的混合类 TransformerMixin ：转换器的混合类 关于什么是Mixin（混合类），具体可以看这个知乎链接。简单地理解，就是带有实现方法的接口，可以将其看做是组合模式的一种实现。举个例子，比如说常用的TfidfTransformer，继承了BaseEstimator， TransformerMixin，因此它的基本功能就是单一职责的估计器和转换器的组合。 3.1 创建自己的转换器 在特征抽取的时候，经常会发现自己的一些数据预处理的方法，sklearn里可能没有实现，但若直接在数据上改，又容易将代码弄得混乱，难以重现实验。这个时候最好自己创建一个转换器，在后面将这个转换器放到pipeline里，统一管理。 例如《Python数据挖掘入门与实战》书中的例子，我们想接收一个numpy数组，根据其均值将其离散化，任何高于均值的特征值替换为1，小于或等于均值的替换为0。 代码实现： from sklearn.base import TransformerMixin from sklearn.utils import as_float_array class MeanDiscrete(TransformerMixin): #计算出数据集的均值，用内部变量保存该值。 def fit(self, X, y=None): X = as_float_array(X) self.mean = np.mean(X, axis=0) #返回self，确保在转换器中能够进行链式调用（例如调用transformer.fit(X).transform(X)） return self def transform(self, X): X = as_float_array(X) assert X.shape[1] == self.mean.shape[0] return X > self.mean