Scikit-learn学习笔记

一，必要的库和工具

• Scikit-learn 一个开源项目，python机器学习库
• Numpy python科学计算的基础包之一
• Scipy python中用于科学计算的函数集合
• matplotlib python主要的科学绘图库
• pandas 用于处理和分析数据的python库
• mglearn

二，数据集

• forge数据集
  用于分类

import mglearn
import matplotlib.pyplot as plt
X,y = mglearn.datasets.make_forge()
mglearn.discrete_scatter(X[:,0],X[:,1],y)
plt.show()

- wave数据集
用于回归

import mglearn
import matplotlib.pyplot as plt
X,y = mglearn.datasets.make_wave(n_samples=40)
plt.plot(X,y,'o')
plt.show()

- blobs数据集

from sklearn.svm import LinearSVC
import matplotlib.pyplot as plt
import mglearn
from sklearn.datasets import make_blobs

X,y = make_blobs(random_state=42)
mglearn.discrete_scatter(X[:,0],X[:,1],y)
plt.show()

• moon数据集

from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt
import mglearn
from sklearn.datasets import make_moons

X,y = make_moons(noise=.2)
mglearn.discrete_scatter(X[:,0],X[:,1],y)
plt.show()

三，算法

1. 回归

• 线性回归

from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
import mglearn
lr = LinearRegression()
lr.fit(X,y)
print(lr.coef_) #表示权重
print(lr.intercept_) #表示偏置
mglearn.plots.plot_linear_regression_wave()
plt.show()

• 岭回归
  就是使用L2正则化的线性回归，让每个系数变小，使得每个特征对输出结果的影响减小

from sklearn.linear_model import Ridge
import matplotlib.pyplot as plt
import mglearn
ridge = Ridge(alpha=10)
ridge.fit(X,y)

mglearn.plots.plot_ridge_n_samples()
plt.show()

• lasso
  使用L1正则化的线性回归，使得某些系数刚好为0，即忽略某些特征

from sklearn.linear_model import Lasso
import matplotlib.pyplot as plt
import mglearn
lasso = Lasso(alpha=10)
lasso.fit(X,y)

• Logistic回归

from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt
import mglearn
logreg = LogisticRegression(C =1penalty="l1"，solver="sag，n_jobs=-1) #solver="sag"选项在处理大数据时，比默认值要快，n_jobs=-1使电脑所有的核运作
logreg.fit(X,y)

• 支持向量机

• 线性支持向量机

from sklearn.svm import LinearSVC
import matplotlib.pyplot as plt
import mglearn
svm = LinearSVC(C=1,penalty="l1")
svm.fit(X,y)

mglearn.plots.plot_linear_svc_regularization()
plt.show()

• 优点：
  训练速度快，预测速度快
  理解如何进行预测相对容易
  缺点：
  高维度难以解释系数

2. k临近算法

• 分类

from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=2)
knn.fit(X_train,y_train)

mglearn.plots.plot_knn_classification(n_neighbors=2)
plt.show()

• 回归

from sklearn.neighbors import KNeighborsRegressor
import matplotlib.pyplot as plt
import mglearn
knn = KNeighborsRegressor(n_neighbors=2)
knn.fit(X_train,y_train)

mglearn.plots.plot_knn_regression(n_neighbors=2)
plt.show()

• 优点：
  模型容易理解
  构建速度快
  不需要过多调试就可以得到不错的性能

• 缺点：
  如果训练集很大（特征很多或样本数很大），预测速度比较慢
  对数据进行预处理很重要

5. 决策树

from sklearn.tree import DecisionTreeClassifier
import matplotlib.pyplot as plt
import mglearn
from sklearn.datasets import make_moons
tree = DecisionTreeClassifier(max_depth=4)
tree.fit(X,y)

• 优点：
  模型容易可视化
  不受数据放缩影响

• 缺点：
  常常过拟合，泛化性差

• 随机森林
  采用了自助采用（bootstrap sample），在节点处，算法选择特征的子集，以此来选择节点，使用max_features来控制选择特征个数

from sklearn.ensemble import RandomForestClassifier
import matplotlib.pyplot as plt
import mglearn
from sklearn.datasets import make_moons

forest = RandomForestClassifier(n_estimators=100,)
forest.fit(X,y)

• 优点：
  不需要反复调参
  不需要放缩数据
• 缺点：
  对于高维度稀疏数据表现不好
  
  • 梯度提升树（梯度提升机）

from sklearn.ensemble import GradientBoostingClassifier
import matplotlib.pyplot as plt
import mglearn
from sklearn.datasets import make_moons

gbrt = GradientBoostingClassifier(learning_rate=0.1,max_depth=1,random_state=0)
gbrt.fit(X,y)

• 优点：
  不用缩放
• 缺点:
  需要仔细调参
  训练时间长

四. 一些函数

• np.unque(x) 该函数是去除数组中的重复数字，并从小到大排序之后输出