Python数据科学：Scikit-Learn机器学习

4.1Scikit-Learn机器学习

Scikit-Learn使用的数据表示：二维网格数据表

实例1：通过Seaborn导入数据

def skLearn():'''scikit Learn基本介绍:return:'''import seaborn as sns#导入Iris数据集#注：一般网络访问不了iris = sns.load_dataset('iris')iris.head()

实例2：通过本地导入数据

def skLearn1():'''本地导入csv数据:return:'''df_iris = pd.read_csv('./data/Iris.csv')print(df_iris.head())

鸢尾花数据集说明：

sepal_length:萼片长度

sepal_width:萼片宽度

petal_length:花瓣长度

petal_width:花瓣宽度

species:鸢尾花类型，Iris-setosa(山鸢尾)，Iris-versicolor(变色鸢尾)，Iris-virginica(维吉尼亚鸢尾)

df_iris.head()

样本：鸢尾花数据集矩阵，矩阵的行n_samples；

特征：某些数据参数的列称为特征，特征列数n_features,鸢尾花数据集需要去掉species列；

特征矩阵：数据集的特征列矩阵，一般用X表示。维度为[n_samples,n_features]。

目标数组：一个标签或目标数组，一般为一维数组，一般用y表示。长度为n_samples。

实例3：构建特征矩阵，目标数组

def skLearn1():'''本地导入csv数据:return:'''df_iris = pd.read_csv('./data/Iris.csv')print(df_iris.head())#获取数据集行列print(df_iris.shape)#构建特征矩阵X_iris = df_iris.drop('species',axis=1)#构建目标数组y_iris = df_iris['species']#使用seaborn绘制图片sns.set()sns.pairplot(df_iris,hue='species',height=1.5)plt.show()

通过sns.pairplot绘制不同特征值相关性图。

对角线上是单一特征值之间，不同鸢尾花种类在该特征值上数据的重叠程度。

Scikit-Learn的评估器API:

通过Scikit-Learn中导入合适的评估器类，选择模型类；
选择合适数值对模型类实例化；
整理数据，获取特征矩阵，目标数组；
调用模型fit()方法，对数据进行拟合
对新的数据应用模型：有监督学习模型中使用predict()方法，无监督学习使用transform()或predict()方法。

实例4：构建机器学习有监督学习模型，对鸢尾花进行识别

def skLearn2():'''有监督学习，鸢尾花分类:return:'''#读取数据df_iris = pd.read_csv('./data/Iris.csv')#构建特征矩阵X_iris = df_iris.drop('species',axis=1)#构建目标数组y_iris = df_iris['species']#划分训练集，测试集from sklearn.model_selection import train_test_splitXtrain,Xtest,ytrain,ytest = train_test_split(X_iris,y_iris,random_state=1)#选择模型#高斯朴素贝叶斯from sklearn.naive_bayes import GaussianNBmodel = GaussianNB()#训练模型model.fit(Xtrain,ytrain)#使用模型对数据进行预测y_model = model.predict(Xtest)#如何验证y_model数据准确性？#和实际的数据进行比较，确定模型预测准确率from sklearn.metrics import accuracy_score#ytest:实际数据#y_model:模型预测数据print(accuracy_score(ytest,y_model))

实例5：无监督学习，鸢尾花数据降维

鸢尾花数据集有四个特征维度，对数据进行降维，保留数据的本质特征，用低维度矩阵表示高维数据。

def skLearn3():'''无监督学习，鸢尾花数据降维:return:'''#读取数据df_iris = pd.read_csv('./data/Iris.csv')#构建特征矩阵X_iris = df_iris.drop('species',axis=1)#构建目标数组y_iris = df_iris['species']#选择模型#主成分分析PCA,快速线性降维from sklearn.decomposition import PCA#设置超参数model = PCA(n_components=2)#拟合数据model.fit(X_iris)#将数据转换为二维数据X_2d = model.transform(X_iris)#将数据插入原数据df_iris['PCA1'] = X_2d[:,0]df_iris['PCA2'] = X_2d[:,1]print(df_iris)#sns绘制二维数据投影图sns.lmplot("PCA1","PCA2",hue='species',data=df_iris,fit_reg=False)plt.show()

实例6：无监督学习，对鸢尾花数据进行聚类分析

def skLearn4():'''无监督学习，在降维后数据基础上，聚类分析高斯混合模型:return:'''#读取数据df_iris = pd.read_csv('./data/Iris.csv')#构建特征矩阵X_iris = df_iris.drop('species',axis=1)#构建目标数组y_iris = df_iris['species']#选择模型#主成分分析PCA,快速线性降维from sklearn.decomposition import PCA#设置超参数model_pca = PCA(n_components=2)#拟合数据model_pca.fit(X_iris)#将数据转换为二维数据X_2d = model_pca.transform(X_iris)#将数据插入原数据df_iris['PCA1'] = X_2d[:,0]df_iris['PCA2'] = X_2d[:,1]#选择模型#高斯混合模型GMMfrom sklearn.mixture import GaussianMixture#设置超参数model = GaussianMixture(n_components=3,covariance_type='full')#拟合数据model.fit(X_iris)#预测数据y_model = model.predict(X_iris)#将预测数据放入原数据df_iris['y_gmm'] = y_model#绘制图片sns.lmplot("PCA1","PCA2",data=df_iris,hue='species',col='y_gmm',fit_reg=False)plt.show()

实例7：手写数字识别

步骤1：获取手写数字集，查看数据

def skLearn5():'''手写数字探索:return:'''#加载手写数字集from sklearn.datasets import load_digitsdigits = load_digits()#(1798,8,8)#一共1798个样本，8x8的像素print(digits.images.shape)#绘制手写数据图fig,axes = plt.subplots(10,10,figsize=(8,8))for i,ax in enumerate(axes.flat):#显示图片手写数字ax.imshow(digits.images[i],cmap='binary',interpolation='nearest')#显示目标数字ax.text(0.05,0.05,str(digits.target[i]),transform=ax.transAxes,color='blue')

步骤2：将数据进行降维处理,查看降维后数据。可以发现还是有许多数字之间是重叠的。

#8x8矩阵相当于64个特征值#获取特征矩阵X_digits = digits.data#获取目标列y_digits = digits.target#64维的特征值进行降维处理,流形学习算法from sklearn.manifold import Isomap#降到二维iso = Isomap(n_components=2)#拟合数据iso.fit(X_digits)#获取转换后的数据X_trans = iso.transform(X_digits)#显示二维数据plt.scatter(X_trans[:,0],X_trans[:,1],c=y_digits,edgecolor='none',alpha=0.6,cmap=plt.cm.get_cmap('rainbow',10))plt.colorbar(label='digit label',ticks=range(10))

步骤3：使用高斯朴素贝叶斯模型训练识别模型。使用混淆矩阵判断模型识别效果

#训练模型，数字识别#划分训练集，测试集from sklearn.model_selection import train_test_splitXtrain,Xtest,ytrain,ytest = train_test_split(X_trans,y_digits,random_state=0)#使用模型from sklearn.naive_bayes import GaussianNBmodel = GaussianNB()#训练数据model.fit(Xtrain,ytrain)#预测测试数据y_model = model.predict(Xtest)#获取识别准确率from sklearn.metrics import accuracy_score#识别率有70*print(accuracy_score(ytest,y_model))#如何知道模型识别的不足？#使用混淆矩阵from sklearn.metrics import confusion_matrixmat = confusion_matrix(ytest,y_model)print(mat)#绘制热力图sns.heatmap(mat,square=True,annot=True,cbar=False)plt.xlabel('predict value')plt.ylabel('true value')

从图像可以看出，识别数字2时，许多识别成了7或者1；识别5时，也识别错误成其他数字