机器学习简单入门-分类算法

我会带着你远行 2023-07-13 15:28 124阅读 0赞

### 文章目录 ###

*  一.数据集
 *   *  1.scikit-learn 数据集
     *  2.数据集的划分
     *  3.估计器
 *  二.k-近邻算法
 *   *  1.原理：
     *  2.API
     *  3.优缺点
     *  4.鸢尾花案例
 *  三.分类模型评估
 *   *  1.混淆矩阵
     *  2.准确率，精确率，召回率
 *  四.朴素贝叶斯算法
 *   *  1.原理
     *  2.API!\[在这里插入图片描述\](/images/20230529/2c60c312ef074ea9914d76e4692e48fb.png)
     *  3.优缺点
 *  五.模型的选择与调优
 *   *  1.交叉验证
     *  2.网格搜索
 *  六.决策树与随机森林
 *   *  1.决策树
     *   *  （1）简介
         *  （2）信息增益
         *  （3）生成决策树的方法
         *  （4）API
         *  （5）决策树的本地保存
     *  2.随机森林

# 一.数据集 #

## 1.scikit-learn 数据集 ##

scikit-learn 自带数据集,可以直接获取,也可以从网上获取  
API \*表示通用具体的实际中是不同名字  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70]  
load\* 和fetch\*返回的数据类型datasets.base.Bunch(字典格式),key值如下

data：特征数据数组，是 \[n\_samples \* n\_features\] 的二维 numpy.ndarray 数组

target：标签数组，是 n\_samples 的一维 numpy.ndarray 数组

DESCR：数据描述

feature\_names：特征名,新闻数据，手写数字、回归数据集没有

target\_names：标签名,回归数据集没有

## 2.数据集的划分 ##

机器学习一般的数据集会划分为两个部分：  
训练数据：用于训练，构建模型 大约占75%  
测试数据大约占25%：在模型检验时使用，用于评估模型是否有效  
数据集划分API:sklearn.model\_selection.train\_test\_split  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 1]`x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,test_size=0.25)`

## 3.估计器 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 2]  
估计器的工作流程  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 3]

# 二.k-近邻算法 #

## 1.原理： ##

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。相似的样本，对应的特征的值是相似的  
判断相似度是通过“距离”来判断，距离公式如下：  
![在这里插入图片描述][20200313202610898.png]  
有公式就可以看出需要在计算距离之前，要进行归一化

## 2.API ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 4]

## 3.优缺点 ##

优点：  
简单，易于理解，易于实现，无需估计参数，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  
如果k的值较大容易造成比例变化，比如训练样本中和检测样本的距离近的只要几个，可是k取了很多就会导致距离最近的比例反而不高，如果k值太小的化，很可能受异常点的影响。

## 4.鸢尾花案例 ##

# 读取数据集细节资料
    from sklearn.datasets import load_iris
    
    iris = load_iris()
    print(iris)
    
    # 对数据集进行随机分割
    from sklearn.model_selection import train_test_split
    
    X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target,
                                                        test_size=0.25, random_state=33)
    
    # 对数据进行标准化
    from sklearn.preprocessing import StandardScaler
    ss = StandardScaler()
    X_train = ss.fit_transform(X_train)
    X_test = ss.transform(X_test)
    
    # 使用K近邻分类器对数据进行类别预测
    from sklearn.neighbors import KNeighborsClassifier
    knc = KNeighborsClassifier()
    knc.fit(X_train, y_train)
    y_predict = knc.predict(X_test)
    
    # 对K近邻分类器的预测性能进行评估
    print('The accuracy of K-Nearest Neighbor Classifier is', knc.score(X_test, y_test))
    
    from sklearn.metrics import classification_report
    
    print(classification_report(y_test, y_predict, target_names=iris.target_names))

![在这里插入图片描述][20200313204725200.png]

# 三.分类模型评估 #

## 1.混淆矩阵 ##

不管是几分类，每个标签值，每个检测集合的样本的预测值只有是这个标签和不是这个标签，前者称为正例，后者称为反例  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 5]

## 2.准确率，精确率，召回率 ##

（1）准确率（预测准确的数量占所有预测的数量）  
![在这里插入图片描述][20200313211401812.png]  
准确率越高，说明越有可能预测正确  
（2）精确率  
预测结果为正例样本中真实为正例的比例（查得准）  
![在这里插入图片描述][2020031321281158.png]  
精确率越高：说明预测正例的可信度越高  
（3）召回率：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力）  
![在这里插入图片描述][20200313212956284.png]  
召回率越高表示越不容易把正确的漏掉  
（3）其他分类标准  
其他分类标准，F1-score，反映了模型的稳健型  
![在这里插入图片描述][20200313213146870.png]  
（4）API  
sklearn.metrics.classification\_report  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 6]  
iris的预测评估![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 7]最后两个一个是平均值，还有一个是加权平均值

# 四.朴素贝叶斯算法 #

朴素的意思就是样本特征值直接互相独立  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 8]

## 1.原理 ##

通过计算，在文章这些特征值出现的情况下，文章是某一分类的概率  
根据贝叶斯公式  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 9]  
P©每个文档类别的概率  
P(W|C)给定类别下特征的概率  
P(F1,F2…|C)=P(F1|C)*P(F2=|C)*…  
以上F1…FN是训练集中的特征值，概率是在训练集训练的模型基础上得到  
例子  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 10]  
这里只需要比较概率大小，所以下面相同的特征值的概率就可以抵消，这里概率为0显然是不合适的需要进行拉普拉斯平滑  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 11]

## 2.API![在这里插入图片描述][20200313220946938.png] ##

## 3.优缺点 ##

优点：  
朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率。对缺失数据不太敏感，算法也比较简单，常用于文本分类。分类准确度高，速度快  
缺点：  
需要知道先验概率P(F1,F2,…|C)，因此在某些时候会由于假设的先验模型的原因导致预测效果不佳。  
有时候没有办法刚好完全的条件独立

# 五.模型的选择与调优 #

## 1.交叉验证 ##

为了让被评估的模型更加准确可信  
方法：将拿到的数据，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。n折将数据分成n行,n列![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 12]

## 2.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,表示取多少相似的），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。(对数据分割进行优化)

API:sklearn.model\_selection.GridSearchCV  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 13]  
最好结果是在交叉验证中的是不包含测试集合，即得出来的是在某个超参数的取值下，训练集训练出的模型的得分（因为在交叉验证中又会分出测试集合）。

# 六.决策树与随机森林 #

## 1.决策树 ##

### （1）简介 ###

决策树就是用来分类的一棵树，叶子节点是类别，分支是针对特征值的条件  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 14]

### （2）信息增益 ###

决策树的划分依据之一就是信息增益  
信息增益表示得知特征X的信息而使得类Y的信息的不确定性减少的程度  
特征A对训练数据集D的信息增益g(D,A),定义为集合D的信息熵H(D)与特征A给定条件下D的信息条件熵H(D|A)之差，即公式为：  
![在这里插入图片描述][2020031322304156.png]

### （3）生成决策树的方法 ###

ID3（通过信息增益选择特征）C4.5（通过信息增益比选择特征）CART（平方误差最小的方式）  
详细介绍[添加链接描述][Link 1]

### （4）API ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 15]

### （5）决策树的本地保存 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 16]

## 2.随机森林 ##

定义：在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。  
原理：  
根据下列算法而建造每棵树：  
用N来表示训练用例（样本）的个数，M表示特征数目。输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于M。从N个训练用例（样本）中以有放回抽样的方式，取样N次，形成一个训练集（即bootstrap取样），并用未抽到的用例（样本）作预测，评估其误差。![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 17]  
API：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 18]

# 随机森林进行预测 （超参数调优）
        rf = RandomForestClassifier()
    
        param = { "n_estimators": [120, 200, 300, 500, 800, 1200], "max_depth": [5, 8, 15, 25, 30]}
    
        # 网格搜索与交叉验证
        gc = GridSearchCV(rf, param_grid=param, cv=2)
    
        gc.fit(x_train, y_train)

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70]: /images/20230529/d06ac85aae2a451eb83f2076e13c0fd6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 1]: /images/20230529/fa26452977134f4f8bb9128b7c43fc1f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 2]: /images/20230529/e35d277be94d48fdbeb4410876692e4f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 3]: /images/20230529/33b67bee264743eaae3e30674d46f1f8.png
[20200313202610898.png]: /images/20230529/c3c1c64910604652b0d410c17b094c45.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 4]: /images/20230529/589b9500d0e547e89bfa93ce0f9af67a.png
[20200313204725200.png]: /images/20230529/709df93eef2e425fbf4bf3424b02b5eb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 5]: /images/20230529/bdd3a3b3b42a465f80e4d1597c3b95ae.png
[20200313211401812.png]: /images/20230529/5d3aa4ce290544c2b8b306cad135125a.png
[2020031321281158.png]: /images/20230529/b9bcab21995a40faa4d49b4300b2434c.png
[20200313212956284.png]: /images/20230529/87a3847a139f45788ad63bc80f276a5e.png
[20200313213146870.png]: /images/20230529/cd6c87389cdd47bfa3595d84d0a508a0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 6]: /images/20230529/3c793f76e28f4ede802ff5426c007cc0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 7]: /images/20230529/a4f94836aec84215a539d2161fbcc901.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 8]: /images/20230529/66d031b391f14c1584a1fc3ec8fca878.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 9]: /images/20230529/0ecb1aba93ee466cbdb6f8940af3e00d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 10]: /images/20230529/aa8fd209451f4b98934c7820eac96e4b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 11]: /images/20230529/50b4224224c5453786c00a5c7299fb29.png
[20200313220946938.png]: /images/20230529/2c60c312ef074ea9914d76e4692e48fb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 12]: /images/20230529/0b8cc41386624144959bdcf738e313fe.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 13]: /images/20230529/e0afc3703c284b94bb18e6fb8ad16ff9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 14]: /images/20230529/cf963942d26346dcafe6c7c602f67564.png
[2020031322304156.png]: /images/20230529/0a68cbd62ef34abf9d85b7688f7edfa0.png
[Link 1]: https://shuwoom.com/?p=1452
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 15]: /images/20230529/34d52d2d5b944625b8e6754c1d0f09ef.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 16]: /images/20230529/bbc31f69efc5440cae67a5f92c2352fd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 17]: /images/20230529/efa96ee6cf5746d29f0950a67edfad16.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2k2MjIzNjcx_size_16_color_FFFFFF_t_70 18]: /images/20230529/85ad9762256c467b866418fa690abf9f.png