一、【python】机器学习基础

专有名词

• 机器学习 (machine learning)
• 预测分析 (predictive analytics)
• 统计学习 (statistical learning)
• 监督学习 (supervised learning)
• 无监督学习 (unsupervised learning)
• 样本 (sample)
• 特征 (feature)
• 特征提取 (feature extraction)
• 分类 (classification)
• 类别 (class)
• 标签 (label)

import numpy as np
import matplotlib as plt
import pandas as pd
import scipy as sp
import sklearn

# 以上为我们需要的类

1、鸢尾花分类

关键词

• 分类（classification)
• 散点图（Scatter Plot)
• 散点图矩阵（Pair Plot）
• 训练数据（training data）
• 训练集（training set）
• 留出集（hold-out set)

鸢尾花分类，是机器学习的一个入门和经典的知识点。我们往往可以通过这个小例子入手，来了解一下什么是机器学习。

python的scikit-learn模块已经将鸢尾花的数据进行内置，所以只需要调用函数进行读取和训练即可，无需准备数据。

# 输出iris——dataset中的键，了解一下存储了那些内容
from sklearn.datasets import load_iris

iris_dataset = load_iris()
print("keys of iris_dataset:{}
".format(iris_dataset.keys()))

keys of iris_dataset:dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names', 'filename'])

load_iris返回的iris对象是一个Bunch对象，与字典很相似，里面包含了键和值

# 输出描述信息的部分内容
print(iris_dataset['DESCR'][:200]+'
')

.. _iris_dataset:

Iris plants dataset
--------------------

**Data Set Characteristics:**

    :Number of Instances: 150 (50 in each of three classes)
    :Number of Attributes: 4 numeric, predictive

上面的DESCR键对应的值为数据集的简要说明。
target_name键对应的值是一个字符串数组，里面包含我们要预测的花的种类

print("Target_name:{}".format(iris_dataset['target_names']))

Target_name:['setosa' 'versicolor' 'virginica']

feature_names键对应的值是一个字符串列表，对每一个特征进行了说明

print("Feature name:{}".format(iris_dataset['feature_names']))

Feature name:['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

通常为了可以达到训练和测试的目的，将收集好的带标签数据分为两部分，一部分数据用于构建机器学习模型，叫做训练数据（training data）或训练集（training set）其余的数据用来评估模型的性能，叫做测试数据（test data）测试集（test set)或留出集（hold-out set)。

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris

iris_dataset = load_iris()
X_train,X_target,y_train,y_target = train_test_split(iris_dataset['data'],iris_dataset['target'],random_state=0)
print("X_train:{}
 X_tar:{}
 y_tar:{}
 y_tra:{}
".format(X_train,X_target,y_target,y_train))

为了实现训练和测试的目的，scikit-learn内置了train_test_split函数，帮助我们对训练、测试数据，和训练、测试的标签默认按3：1的比例进行拆分。从而返回数据给定的参数。也可以使用随机种子的形式进行随机按比例分布。

# 利用X_train中的数据创建DataFrame
# 利用iris_dataset.feature_names中的字符串对数据阵列进行标记
iris_dataframe = pd.DataFrame(X_train, columns=iris_dataset.feature_names)
# 利用DataFrame创建散点图矩阵，按y_train着色
grr = pd.scatter_matrix(iris_dataframe, c=y_train, figsize=(15, 15), maker='0',hist_kwds={'bins':20}, s=60,alpha=.8)

scikit-learn中所有的机器学习模型都在各自的类中实现，这些类被称之为Estimator类。k近邻分类算法是在neighbor模块的KNeightborsClassifier类中实现。

from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=1)
knn.fit(X_train,y_train)

KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',metric_params=None, n_jobs=None, n_neighbors=1, p=2,weights='uniform')

X_new = np.array([[5,2.9,1,0.2]])
prediction = knn.predict(X_new)
print("Result of Prediction:{}".format(prediction))
print("{}".format(iris_dataset['target_names'][prediction]))

Result of Prediction:[0]
['setosa']

流程总结：

1. 准备数据
2. 分为训练数据和测试数据
3. 观察数据
4. 构建模型
5. 做出预测
6. 评估精度

# 代码总结
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier

iris_dataset = load_iris()
X_train,X_target,y_train,y_target = train_test_split(iris_dataset['data'],iris_dataset['target'],random_state=0)
knn = KNeighborsClassifier(n_neighbors=1)
knn.fit(X_train,y_train)
print("Test set score:{:.2f}".format(knn.score(X_target,y_target)))

Test set score:0.97