深入浅析Python 中的sklearn模型选择

Python  /  管理员 发布于 7年前   130

1.主要功能如下：

1.classification分类
2.Regression回归
3.Clustering聚类
4.Dimensionality reduction降维
5.Model selection模型选择
6.Preprocessing预处理

2.主要模块分类：

1.sklearn.base: Base classes and utility function基础实用函数
2.sklearn.cluster: Clustering聚类
3.sklearn.cluster.bicluster: Biclustering 双向聚类
4.sklearn.covariance: Covariance Estimators 协方差估计
5.sklearn.model_selection: Model Selection 模型选择
6.sklearn.datasets: Datasets 数据集
7.sklearn.decomposition: Matrix Decomposition 矩阵分解
8.sklearn.dummy: Dummy estimators 虚拟估计
9.sklearn.ensemble: Ensemble Methods 集成方法
10.sklearn.exceptions: Exceptions and warnings 异常和警告
11.sklearn.feature_extraction: Feature Extraction 特征抽取
12.sklearn.feature_selection: Feature Selection 特征选择
13。sklearn.gaussian_process: Gaussian Processes 高斯过程
14.sklearn.isotonic: Isotonic regression 保序回归
15.sklearn.kernel_approximation: Kernel Approximation 核 逼近
16.sklearn.kernel_ridge: Kernel Ridge Regression 岭回归ridge
17.sklearn.discriminant_analysis: Discriminant Analysis 判别分析
18.sklearn.linear_model: Generalized Linear Models 广义线性模型
19.sklearn.manifold: Manifold Learning 流形学习
20.sklearn.metrics: Metrics 度量 权值
21.sklearn.mixture: Gaussian Mixture Models 高斯混合模型
22.sklearn.multiclass: Multiclass and multilabel classification 多等级标签分类
23.sklearn.multioutput: Multioutput regression and classification 多元回归和分类
24.sklearn.naive_bayes: Naive Bayes 朴素贝叶斯
25.sklearn.neighbors: Nearest Neighbors 最近邻
26.sklearn.neural_network: Neural network models 神经网络
27.sklearn.calibration: Probability Calibration 概率校准
28.sklearn.cross_decomposition: Cross decomposition 交叉求解
29.sklearn.pipeline: Pipeline 管道
30.sklearn.preprocessing: Preprocessing and Normalization 预处理和标准化
31.sklearn.random_projection: Random projection 随机映射
32.sklearn.semi_supervised: Semi-Supervised Learning 半监督学习
33.sklearn.svm: Support Vector Machines 支持向量机
34.sklearn.tree: Decision Tree 决策树
35.sklearn.utils: Utilities 实用工具

3.数据预处理：

from sklearn import preprocessing

标准化处理函数

将数据转化为标准正态分布（均值为0，方差为1）

preprocessing.scale(X,axis=0, with_mean=True, with_std=True, copy=True)

将数据在缩放在固定区间，默认缩放到区间 [0, 1]

preprocessing.minmax_scale(X,feature_range=(0, 1), axis=0, copy=True)

数据的缩放比例为绝对值最大值，并保留正负号，即在区间 [-1.0, 1.0] 内。唯一可用于稀疏数据 scipy.sparse的标准化
preprocessing.maxabs_scale(X,axis=0, copy=True)

通过 Interquartile Range (IQR) 标准化数据，即四分之一和四分之三分位点之间
preprocessing.robust_scale(X,axis=0, with_centering=True, with_scaling=True,copy=True)

标准化正态分布类

基于mean和std的标准化

 classpreprocessing.StandardScaler(copy=True, with_mean=True,with_std=True) # 属性： # scale_：ndarray，缩放比例 # mean_：ndarray，均值 # var_：ndarray，方差 # n_samples_seen_：int，已处理的样本个数，调用partial_fit()时会累加，调用fit()会重设 # 这里可以根据训练集进行标准化,测试集沿用训练集的标准化方法! scaler = preprocessing.StandardScaler().fit(train_data) scaler.transform(train_data) scaler.transform(test_data) # 将每个特征值归一化到一个固定范围 scaler = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(train_data) scaler.transform(train_data) scaler.transform(test_data)

将数据在缩放在固定区间的类，默认缩放到区间 [0, 1]

classpreprocessing.MinMaxScaler(feature_range=(0, 1),copy=True)： # 属性： # min_：ndarray，缩放后的最小值偏移量 # scale_：ndarray，缩放比例 # data_min_：ndarray，数据最小值 # data_max_：ndarray，数据最大值 # data_range_：ndarray，数据最大最小范围的长度

数据的缩放比例为绝对值最大值，并保留正负号，即在区间 [-1.0, 1.0] 内。可以用于稀疏数据scipy.sparse

classpreprocessing.MaxAbsScaler(copy=True)： # 属性： # scale_：ndarray，缩放比例 # max_abs_：ndarray，绝对值最大值 # n_samples_seen_：int，已处理的样本个数

通过 Interquartile Range (IQR) 标准化数据，即四分之一和四分之三分位点之间

classpreprocessing.RobustScaler(with_centering=True,with_scaling=True, copy=True)： # 属性： # center_：ndarray，中心点 # scale_：ndarray，缩放比例

生成 kernel 矩阵，用于将 svm kernel 的数据标准化

classpreprocessing.KernelCenterer：

以上几个标准化类的方法：

fit(X[,y])：根据数据 X 的值，设置标准化缩放的比例
transform(X[,y, copy])：用之前设置的比例标准化 X
fit_transform(X[, y])：根据 X设置标准化缩放比例并标准化
partial_fit(X[,y])：累加性的计算缩放比例
inverse_transform(X[,copy])：将标准化后的数据转换成原数据比例
get_params([deep])：获取参数
set_params(**params)：设置参数

正则化

# 计算两个样本的相似度时必不可少的一个操作，就是正则化。其思想是：首先求出样本的p-范数，然后该样本的所有元素都要除以该范数，这样最终使得每个样本的范数都为1。
# L1 norm 是指对每个样本的每一个元素都除以该样本的L1范数. 使行和为1

 # eg. 0.47619048 = 10 /(10+4+5+2) X = np.array([[10,4,5,2], [1,4,5,7]]) X_normalized = preprocessing.normalize(X, norm='l1') X_normalized           array([[ 0.47619048, 0.19047619, 0.23809524, 0.0952381 ],   [ 0.05882353, 0.23529412, 0.29411765, 0.41176471]]) #L2 norm 是指对每个样本的每一个元素都除以该样本的L2范数.  # eg. 0.4 = 1/sqrt(1+1+4) X = [[ 1., -1., 2.],   [ 2., 0., 0.],   [ 0., 1., -1.]] X_normalized = preprocessing.normalize(X, norm='l2') X_normalized           array([[ 0.40, -0.40, 0.81],   [ 1. , 0. , 0. ],   [ 0. , 0.70, -0.70]])

4.数据集：

将数据集分为训练集和测试集

from sklearn.mode_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# arrays：样本数组，包含特征向量和标签# test_size：#　　float-获得多大比重的测试样本 （默认：0.25）#　　int - 获得多少个测试样本# train_size: 同test_size# random_state: int - 随机种子（种子固定，实验可复现）　　# shuffle - 是否在分割之前对数据进行洗牌（默认True）

5.模型选择：

模型流程：

# 拟合模型model.fit(X_train, y_train)# 模型预测model.predict(X_test)# 获得这个模型的参数model.get_params()# 为模型进行打分model.score(data_X, data_y) 

线性回归

from sklearn.linear_model import LinearRegression # 定义线性回归模型 model = LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1) """ fit_intercept：是否计算截距。False-模型没有截距 normalize： 当fit_intercept设置为False时，该参数将被忽略。 如果为真，则回归前的回归系数X将通过减去平均值并除以l2-范数而归一化。  n_jobs：指定线程数 """

逻辑回归

from sklearn.linear_model import LogisticRegression # 定义逻辑回归模型 model = LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0,   fit_intercept=True, intercept_scaling=1, class_weight=None,   random_state=None, solver='liblinear', max_iter=100, multi_class='ovr',   verbose=0, warm_start=False, n_jobs=1) """  penalty：使用指定正则化项（默认：l2）  dual: n_samples > n_features取False（默认）  C：正则化强度的反，值越小正则化强度越大  n_jobs: 指定线程数  random_state：随机数生成器  fit_intercept: 是否需要常量 """

朴素贝叶斯

from sklearn import naive_bayes model = naive_bayes.GaussianNB()  model = naive_bayes.MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None) model = naive_bayes.BernoulliNB(alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None) """  alpha：平滑参数  fit_prior：是否要学习类的先验概率；false-使用统一的先验概率  class_prior: 是否指定类的先验概率；若指定则不能根据参数调整  binarize: 二值化的阈值，若为None，则假设输入由二进制向量组成 """

决策树

from sklearn import tree  model = tree.DecisionTreeClassifier(criterion='gini', max_depth=None,   min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0,   max_features=None, random_state=None, max_leaf_nodes=None,   min_impurity_decrease=0.0, min_impurity_split=None,   class_weight=None, presort=False) """  criterion ：特征选择准则gini/entropy  max_depth：树的最大深度，None-尽量下分  min_samples_split：分裂内部节点，所需要的最小样本树  min_samples_leaf：叶子节点所需要的最小样本数  max_features: 寻找最优分割点时的最大特征数  max_leaf_nodes：优先增长到最大叶子节点数  min_impurity_decrease：如果这种分离导致杂质的减少大于或等于这个值，则节点将被拆分。 """

支持向量机SVM

 from sklearn.svm import SVC model = SVC(C=1.0, kernel='rbf', gamma='auto') """  C：误差项的惩罚参数C  gamma: 核相关系数。浮点数，If gamma is ‘auto' then 1/n_features will be used instead. """

knn最近邻算法

 from sklearn import neighbors #定义kNN分类模型 model = neighbors.KNeighborsClassifier(n_neighbors=5, n_jobs=1) # 分类 model = neighbors.KNeighborsRegressor(n_neighbors=5, n_jobs=1) # 回归 """  n_neighbors： 使用邻居的数目  n_jobs：并行任务数 """

多层感知器

 from sklearn.neural_network import MLPClassifier # 定义多层感知机分类算法 model = MLPClassifier(activation='relu', solver='adam', alpha=0.0001) """  hidden_layer_sizes: 元祖  activation：激活函数  solver ：优化算法{‘lbfgs', ‘sgd', ‘adam'}  alpha：L2惩罚(正则化项)参数。 """

交叉验证

 from sklearn.model_selection import cross_val_score cross_val_score(model, X, y=None, scoring=None, cv=None, n_jobs=1) """  model：拟合数据的模型  cv ： k-fold  scoring: 打分参数-‘accuracy'、‘f1'、‘precision'、‘recall' 、‘roc_auc'、'neg_log_loss'等等 """

检验曲线

from sklearn.model_selection import validation_curve train_score, test_score = validation_curve(model, X, y, param_name, param_range, cv=None, scoring=None, n_jobs=1) """  model:用于fit和predict的对象  X, y: 训练集的特征和标签  param_name：将被改变的参数的名字  param_range： 参数的改变范围  cv：k-fold """

6.模型保存：

 # 保存为pickle文件 import pickle # 保存模型 with open('model.pickle', 'wb') as f:  pickle.dump(model, f) # 读取模型 with open('model.pickle', 'rb') as f:  model = pickle.load(f) model.predict(X_test) # sklearn自带方法joblib from sklearn.externals import joblib # 保存模型 joblib.dump(model, 'model.pickle') #载入模型 model = joblib.load('model.pickle')

总结

以上所述是小编给大家介绍的Python sklearn模型选择,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！