zoukankan      html  css  js  c++  java
  • sklearn转换器和估计器&k-近邻

    写在前面

    ​ 本篇博客主要介绍了

    • 应用KNeighborsClassifier实现分类
    • 应用GridSearchCV实现算法参数的调优

    sklearn转换器和估计器

    ​ 转换器:特征工程的接口

    • fit_transform
    • fit
    • transform

    估计器

    • 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
    • 用于回归的估计器:
      • sklearn.linear_model.LinearRegression 线性回归
      • sklearn.linear_model.Ridge 岭回归
    • 用于无监督学习的估计器
      • sklearn.cluster.KMeans 聚类

    工作流程

    估计器工作流程

    K-近邻算法

    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。

    ​ 可以参看下面这幅图,图源百度百科

    如果K=3,绿色圆点的最近的3个邻居是2个红色小三角形和1个蓝色小正方形,少数从属于多数,基于统计的方法,判定绿色的这个待分类点属于红色的三角形一类。

    如果K=5,绿色圆点的最近的5个邻居是2个红色三角形和3个蓝色的正方形,还是少数从属于多数,基于统计的方法,判定绿色的这个待分类点属于蓝色的正方形一类

    距离公式

    • 欧式公式

      距离公式

    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)

    数据

    sklearn提供的鸢尾花数据集

    代码

    from sklearn.datasets import load_iris
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    from sklearn.neighbors import KNeighborsClassifier
    
    def knn_iris():
        # 1.获取数据
        iris = load_iris()
        # 2.划分数据集
        x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,random_state=6)
        # 3.特征工程
        transfer = StandardScaler()
        x_train = transfer.fit_transform(x_train)
        x_test = transfer.transform(x_test)
        # 4.KNN算法预估器
        estimator = KNeighborsClassifier(n_neighbors=3)
        estimator.fit(x_train,y_train)
        # 5.模型评估
        y_predict = estimator.predict(x_test)
        print("y_predict:
    ",y_predict)
        print("比对真实值和预测值:
    ",y_test == y_predict)
        score = estimator.score(x_test,y_test)
        print("准确率为:
    ",score)
    
        return None
    

    结果

    运行结果

    结果分析

    • k值取很小:容易受到异常点的影响
    • k值取很大:受到样本均衡的问题
    • 距离计算上面,时间复杂度高

    K-近邻总结

    • 优点:
      • 简单,易于理解,易于实现,无需训练
    • 缺点:
      • 懒惰算法,对测试样本分类时的计算量大,内存开销大
      • 必须指定K值,K值选择不当则分类精度不能保证
    • 使用场景:小数据场景

    模型选择与调优

    交叉验证定义

    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。

    20210124223411111

    超参数搜索-网格搜索

    ​ 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API

    • 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

    数据

    sklearn提供的鸢尾花数据集

    代码

    from sklearn.datasets import load_iris
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    from sklearn.neighbors import KNeighborsClassifier
    from sklearn.model_selection import GridSearchCV
    
    def knn_iris_gscv():
        # 1.获取数据
        iris = load_iris()
        # 2.划分数据集
        x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,random_state=6)
        # 3.特征工程
        transfer = StandardScaler()
        x_train = transfer.fit_transform(x_train)
        x_test = transfer.transform(x_test)
        # 4.KNN算法预估器
        estimator = KNeighborsClassifier(n_neighbors=3)
        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)
        # 5.模型评估
        y_predict = estimator.predict(x_test)
        print("y_predict:
    ",y_predict)
        print("比对真实值和预测值:
    ",y_test == y_predict)
        score = estimator.score(x_test,y_test)
        print("准确率为:
    ",score)
        print("最佳参数:
    ",estimator.best_params_)
        print("最佳结果:
    ", estimator.best_score_)
        print("最佳估计器:
    ", estimator.best_estimator_)
        print("交叉验证结果:
    ", estimator.cv_results_)
        return None
    

    部分结果

    部分运行结果

  • 相关阅读:
    进程和线程
    yum安装apache后更改worker模式
    (转)top命令详解
    虚拟机linux在关机不正常的情况下出现的问题
    mysql赋予用户权限grant all privileges on
    lampp自带mysql远程访问问题
    扫盲
    linux常用命令使用
    剑指Offer对答如流系列
    剑指Offer对答如流系列
  • 原文地址:https://www.cnblogs.com/xp-thebest/p/14322804.html
Copyright © 2011-2022 走看看