zoukankan      html  css  js  c++  java
  • 鸢尾花分类——Python机器学习起步

    引言

    一直对AI有着莫大的兴趣,最近买了周志华先生的西瓜书,也是干货满满,最近也想从实战方面入手,了解一下机器学习,本文以《Python机器学习基础教程》为指导。


    环境

    Sublimetext 3 和 Jupter Notebook;
    ML库:scikit-learn


    项目:鸢尾花分类

    已知,鸢尾花可以被分为setosa、versicolor、virginica三个品种,现在我们要建立一个模型,输入特定数据判定它是属于哪一类。

    一、数据集导入:

    数据集在scikit-learn的datasets中,调用load_iris()导入:

    from sklearn.datasets import load_iris
    iris_dataset=load_iris()

    二、训练集和测试集

    导入的数据集我们要分为训练集和测试集,一般我们采用3:1的随机分配办法;
    而拆分时为了数据分布均匀,我们先要对数据进行随机达伦,确保测试数据和训练数据的全面性;
    在scikit-learn中,我们可以调用train_test_split函数实现划分,利用random_state指定随机数生成种子即可。

    X_train, X_test, y_train,y_test=train_test_split(iris_dataset['data'],
    iris_dataset['target'],random_state=0)

    三、数据观察

    数据的好坏直接影响你模型构建成功与否,现实中我们的数据可能存在许多问题(单位不统一,部分数据缺失等),所以我们要提前观察下数据集,观察最好的方法就是看图,pandas为我们提供了一个绘制散点图矩阵的函数,叫做scatter_matrix。

    iris_dataframe=pd.DataFrame(X_train,columns=iris_dataset.feature_names)
    grr=pd.plotting.scatter_matrix(iris_dataframe,c=y_train,figsize=(15,15),marker="o",hist_kwds={'bins':20},s=60,alpha=.8,cmap=mglearn.cm3)

    这里写图片描述

    四、构建模型

    算法:K近邻算法
    scikit-learn中所有的机器学习模型都在各自的类中实现,统称为Estimator类。
    K近邻算法是在neighbours模块中的KNeighboursClassifier类中实现,我们设置邻居参数为1。

    from sklearn.neighbors import KNeighborsClassifier
    knn=KNeighborsClassifier(n_neighbors=1)

    因为knn对算法进行了封装,既包括构建模型的算法,也包括预测的算法,我们只需要调用fit方法来训练数据即可。

    knn.fit(X_train,y_train)

    五、训练模型评估

    我们训练完一个模型,这个模型是否值得我们信任?这时我们就要用测试集去测试这个模型的准确度。

    y_pred=knn.predict(X_test)
    print("Test set predictions:
    {}".format(y_pred))
    print("Test set score:{:.2f}".format(knn.score(X_test,y_test))

    数据评估,我们只要将测试集的预测结果(y_pred)和测试集标签(y_test)对比,算出准确率即可。

    六、预测

    如果评估模型的准确率很高,那么我们就有理由相信这个模型预测地很准,所以我们可以放心去预测,反之,我们则要重新地构建一下模型。

    IN:
    X_new = np.array([[5,2.9,1,0.2]])
    prediction = knn.predict(X_new)
    print("Predicted target name:{}".format(iris_dataset['target_names'][prediction]))
    
    OUT:
    Predicted target name:['setosa']

    泛化、欠拟合和过拟合

    泛化:即让这个模型具有普适的预测性,但拥有自己的归纳偏好,形成模型自己的“价值观”。
    欠拟合:提取特征太少,事物共性提取不够,导致预测方向歪斜。
    将花分类为草(错误认为绿色的都是草)
    过拟合:事物特征提取过多,在共性之上加入了太多个性。
    带锯齿的树叶不是树叶(错误的认为树叶必须有锯齿)
    在笔者总结,泛化就是要在数据集里面最大限度找到共性,尽量忽略不能反映数据本质的个性。

    欠拟合比较容易克服,例如在决策树中扩展分支,在神经网络学习中增加训练轮数等。而过拟合则很麻烦,在后面的学习中,我们将看到,过拟合是机器学习面临的关键障碍。
                                      ——《机器学习》,周志华

  • 相关阅读:
    【2019-11-22】组件与模板 -- 显示数据
    【2020-01-22】模块
    【2020-01-21】迭代器和生成器
    【2020-01-17】高级类型
    【2020-01-08】类和对象
    【2019-01-07】类型和变量 + 语句
    【2020-01-07】C#语言元素
    【2020-01-07】C# 基本概念
    【2020-01-05】C#程序内部
    时间就是这样一点一点的度过的
  • 原文地址:https://www.cnblogs.com/gujiewei/p/9670584.html
Copyright © 2011-2022 走看看