机器学习(二)

机器学习

  • 3.分类算法
    • [3.1 sklearn转换器和估计器](#3.1 sklearn转换器和估计器)
      • [3.1.1 转换器](#3.1.1 转换器)
      • [3.1.2 估计器(在sklearn实现机器学习算法)](#3.1.2 估计器(在sklearn实现机器学习算法))
    • [3.2 K-近邻算法](#3.2 K-近邻算法)
      • [3.2.1 什么是K-近邻算法](#3.2.1 什么是K-近邻算法)
      • [3.2.2 K-近邻算法API](#3.2.2 K-近邻算法API)
      • [3.2.3 案例:鸢尾花种类预测](#3.2.3 案例:鸢尾花种类预测)
      • [3.2.4 K-近邻总结](#3.2.4 K-近邻总结)
    • [3.3 模型选择与调优](#3.3 模型选择与调优)
      • [3.3.1 交叉验证(cross vaildation)](#3.3.1 交叉验证(cross vaildation))
      • [3.3.2 超参数搜索-网络搜索(Grid Search)](#3.3.2 超参数搜索-网络搜索(Grid Search))
      • [3.3.3 鸢尾花案例增加K值调优](#3.3.3 鸢尾花案例增加K值调优)
    • [3.4 朴素贝叶斯算法](#3.4 朴素贝叶斯算法)
      • [3.4.1 复习概率](#3.4.1 复习概率)
      • [3.4.2 应用于文章分类](#3.4.2 应用于文章分类)
      • [3.4.3 API](#3.4.3 API)

3.分类算法

3.1 sklearn转换器和估计器

3.1.1 转换器

特征工程的接口被称为转换器,其中转换器调用有这么几种形式:

  • fit_transform
  • fit
  • transform

3.1.2 估计器(在sklearn实现机器学习算法)

在sklearn里面,估计器(estimator)是一类实现了算法的API。

  • 用于分类的估计器:
    • sklearn.neighbors KNN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

如何使用?

  1. 实例化一个estimator.
  2. estimator.fit(x_train , y_train) 生成模型
  3. 模型评估:
    • 直接比对真实值和预测值
      • y_predict = estimator.predict(x_test)
      • y_test == y_predict
    • 计算准确率
      • estimator.score(x_test,y_test)

3.2 K-近邻算法

3.2.1 什么是K-近邻算法

  1. 核心思想:根据你的"邻居"来推断出你的类别。

  2. 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一个类别,则该样本也属于这个类别。

    其中k值

    • 不能太小,容易受到异常值的影响。
    • 不能太大,会受到样本不均衡的影响。
  3. 如何计算距离:

    • 欧式距离
    • 曼哈顿距离
    • 闵可夫斯基距离

3.2.2 K-近邻算法API

python 复制代码
sklearn.neighbors.KNeighborsClassifier(n_neighbors = 5,algorithm = 'auto')
	#  n_neighbors : int, default=5 Number of neighbors to use by default for :meth:`kneighbors` queries.
    # alogrithm : {'auto','ball_tree','kd_tree','brute'} 可选用计算最近邻居的算法
    	# algorithm : {'auto', 'ball_tree', 'kd_tree', 'brute'}, default='auto'
        # Algorithm used to compute the nearest neighbors:

        # - 'ball_tree' will use :class:`BallTree`
        # - 'kd_tree' will use :class:`KDTree`
        # - 'brute' will use a brute-force search.
        # - 'auto' will attempt to decide the most appropriate algorithm
        #   based on the values passed to :meth:`fit` method.

        # Note: fitting on sparse input will override the setting of
        # this parameter, using brute force.

3.2.3 案例:鸢尾花种类预测

python 复制代码
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 neighbor_demo():
    """
    KNN算法进行鸢尾花种类预测
    :return:
    """
    # 1. 导入数据
    data = load_iris()
    # 2. 划分数据集
    x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.25, random_state=10)
    # random_state可以保证每次运行结果相同
    # 3. 标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)  # 测试集要用训练集的标准差和均值进行标准化,不然两者就不能投射到一块,后续无法进行模型评估
    # 4. 模型训练
    estimator = KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train, y_train)
    # 5. 模型评估
    # 方法1: 直接对比真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接对比真实值和预测值:\n", y_test == y_predict)
    # 方法2: 计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率:\n", score)
    return None


if __name__ == '__main__':
    neighbor_demo()

3.2.4 K-近邻总结

  • 优点:简单、易于理解、易于实现、无需训练(KNN 是一种懒惰学习(lazy learning)算法,这意味着它在训练阶段并不构建模型,而是在测试阶段才进行计算。)
  • 缺点:
    • 懒惰算法,对测试样本分类时计算量大,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,几千~几万样本,具体场景具体业务去测试

3.3 模型选择与调优

3.3.1 交叉验证(cross vaildation)

交叉验证:将拿到的训练数据,分为训练和验证集。以下图为例:将数据分为4份,其中一份作为验证集。然后经过4次(组)的测试,每次都更换不同的验证集。即得到4组模型的结果,取平均值作为最终结果。又称为4折交叉验证。

交叉验证目的:为了让被评估的模型更加准确可信。

3.3.2 超参数搜索-网络搜索(Grid Search)

  1. 通常情况下,有很多参数是需要手动指定的,这种叫超参数。但是手动过程繁琐,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。

  2. 模型的选择与调优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
      • score() : 准确率
    • 结果分析:
      • 最佳参数 :best_params_
      • 最佳结果 : best_score_
      • 最佳估计器 :best_estimator_
      • 交叉验证结果 : cv_results_

3.3.3 鸢尾花案例增加K值调优

python 复制代码
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 neighbor_demo():
    """
    KNN算法进行鸢尾花种类预测
    :return:
    """
    # 1. 导入数据
    data = load_iris()
    # 2. 划分数据集
    x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=10)
    # random_state可以保证每次运行结果相同
    # 3. 标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)  # 测试集要用训练集的标准差和均值进行标准化,不然两者就不能投射到一块,后续无法进行模型评估
    # 4. 模型训练
    estimator = KNeighborsClassifier()

    # 5. 参数调优
    param_dict = {"n_neighbors": [1, 3, 5, 7, 9, 11, 13, 15]}
    estimator = GridSearchCV(estimator, param_grid=param_dict, cv=5)  # 返回拟合估计器实例
    estimator.fit(x_train, y_train)
    # 5. 模型评估
    # 方法1: 直接对比真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接对比真实值和预测值:\n", y_test == y_predict)
    # 方法2: 计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率:\n", score)
    # 最佳参数
    print("最佳参数:\n", estimator.best_params_)
    print("最佳结果:\n", estimator.best_score_)
    print("最佳模型:\n", estimator.best_estimator_)
    print("交叉验证结果:\n", estimator.cv_results_)
    return None


if __name__ == '__main__':
    neighbor_demo()

3.4 朴素贝叶斯算法

朴素贝叶斯算法 = 朴素(假设特征与特征之间是相互独立的) + 贝叶斯(概率里面的贝叶斯公式)

常应用于文本分类

3.4.1 复习概率

  • 联合概率:包含多个条件,且所有条件同时成立的概率。 记作:P(A,B)
  • 条件概率:就是事件A在另外一个事件B已经发生条件下的发生概率。 记作:P(A | B)
  • 相互独立:如果P(A,B) = P(A) * p(B),则称事件A与事件B相互独立。
  • 贝叶斯公式:

3.4.2 应用于文章分类

如果计算出来某个概率为0的话,需要引入拉普拉斯平滑系数,从而去防止计算出来的分类概率为0。

3.4.3 API

sklearn.naive_bayes.MultinomialNB(alpha = 1.0)

  • aplha:拉普拉斯平滑系数,默认为 1.0 。
相关推荐
IT古董6 分钟前
【机器学习】机器学习中用到的高等数学知识-8. 图论 (Graph Theory)
人工智能·机器学习·图论
曼城周杰伦15 分钟前
自然语言处理:第六十三章 阿里Qwen2 & 2.5系列
人工智能·阿里云·语言模型·自然语言处理·chatgpt·nlp·gpt-3
余炜yw1 小时前
【LSTM实战】跨越千年,赋诗成文:用LSTM重现唐诗的韵律与情感
人工智能·rnn·深度学习
莫叫石榴姐1 小时前
数据科学与SQL:组距分组分析 | 区间分布问题
大数据·人工智能·sql·深度学习·算法·机器学习·数据挖掘
如若1232 小时前
利用 `OpenCV` 和 `Matplotlib` 库进行图像读取、颜色空间转换、掩膜创建、颜色替换
人工智能·opencv·matplotlib
YRr YRr2 小时前
深度学习:神经网络中的损失函数的使用
人工智能·深度学习·神经网络
ChaseDreamRunner2 小时前
迁移学习理论与应用
人工智能·机器学习·迁移学习
Guofu_Liao2 小时前
大语言模型---梯度的简单介绍;梯度的定义;梯度计算的方法
人工智能·语言模型·矩阵·llama
我爱学Python!2 小时前
大语言模型与图结构的融合: 推荐系统中的新兴范式
人工智能·语言模型·自然语言处理·langchain·llm·大语言模型·推荐系统
果冻人工智能2 小时前
OpenAI 是怎么“压力测试”大型语言模型的?
人工智能·语言模型·压力测试