sklearn 与分类算法

2019 年 3 月 12 日 人工智能头条

【导读】众所周知，Scikit-learn（以前称为 scikits.learn）是一个用于 Python 编程语言的免费软件机器学习库。它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度增强，k-means 和 DBSCAN，旨在与 Python 数值和科学库NumPy和SciPy互操作。

本文将带你入门常见的机器学习分类算法——逻辑回归、朴素贝叶斯、KNN、SVM、决策树。

逻辑回归 (Logistic regression)

逻辑回归，尽管他的名字包含"回归"，却是一个分类而不是回归的线性模型。逻辑回归在文献中也称为 logit 回归，最大熵分类或者对数线性分类器。下面将先介绍一下 sklearn 中逻辑回归的接口：

class sklearn.linear_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='warn', max_iter=100, multi_class='warn', verbose=0, warm_start=False, n_jobs=None)

常用参数讲解：

penalty：惩罚项。一般都是"l1"或者"l2"。

dual：这个参数仅适用于使用 liblinear 求解器的"l2"惩罚项。一般当样本数大于特征数时，这个参数置为 False。

C：正则化强度(较小的值表示更强的正则化)，必须是正的浮点数。

solver： 参数求解器。一般的有{‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}。

multi_class：多分类问题转化，如果使用 "ovr"，则是将多分类问题转换成多个二分类为题看待；如果使用 "multinomial"，损失函数则会是整个概率分布的多项式拟合损失。

不常用的参数这里就不再介绍，想要了解细节介绍，可以sklearn的官网查看。

案例：

这里我使用 sklearn 内置的数据集——iris 数据集，这是一个三分类的问题，下面我就使用逻辑回归来对其分类：

from sklearn.datasets import load_irisfrom sklearn.linear_model import LogisticRegressionX, y = load_iris(return_X_y=True)clf = LogisticRegression(random_state=0, solver='lbfgs',                         multi_class='multinomial').fit(X, y)

上面我就训练好了一个完整的逻辑回归模型，我们可以用predict这个函数对测试集进行预测。

clf.predict(X[:2, :])

如果想知道预测的概率，可以通过predict_proba这个函数来进行预测。

clf.predict_proba(X[:2, :])

如果想知道我们预测的准确性，可以通过score这个函数来判断我们的模型好坏。

clf.score(X, y)

朴素贝叶斯

朴素贝叶斯方法是一组基于贝叶斯定理的监督学习算法，在给定类变量值的情况下，朴素假设每对特征之间存在条件独立性。下面我将介绍几种朴素贝叶斯的方法。

1. 高斯朴素贝叶斯 (GaussianNB)

高斯朴素贝叶斯的原理可以看这篇文章：http://i.stanford.edu/pub/cstr/reports/cs/tr/79/773/CS-TR-79-773.pdf

这里，我将介绍如何使用 sklearn 来实现 GaussianNB。

from sklearn import datasetsiris = datasets.load_iris()from sklearn.naive_bayes import GaussianNBgnb = GaussianNB()y_pred = gnb.fit(iris.data, iris.target).predict(iris.data)print("Number of mislabeled points out of a total %d points : %d"      % (iris.data.shape[0],(iris.target != y_pred).sum()))

2. 多项式朴素贝叶斯 (MultinomialNB/MNB)

这里我随机生成一组数据，然后使用 MultinomialNB 算法来学习。

import numpy as npX = np.random.randint(50, size=(1000, 100))y = np.random.randint(6, size=(1000))from sklearn.naive_bayes import MultinomialNBclf = MultinomialNB()clf.fit(X, y)
print(clf.predict(X[2:3]))

3. 互补朴素贝叶斯 (ComplementNB/CMB)

ComplementNB 是标准多项式朴素贝叶斯(MNB)算法的一种改进，特别适用于不平衡数据集。

具体来说，ComplementNB 使用来自每个类的补充的统计信息来计算模型的权重。CNB 的发明者通过实验结果表明，CNB 的参数估计比 MNB 的参数估计更稳定。此外，在文本分类任务上，CNB 通常比 MNB 表现得更好(通常是相当大的优势)。

CNB 的 sklearn 接口：

class sklearn.naive_bayes.ComplementNB(alpha=1.0, fit_prior=True, class_prior=None, norm=False)

常用参数讲解：

alpha：加性(拉普拉斯/Lidstone)平滑参数(无平滑为0)。

fit_prior：是否学习类先验概率。若为假，则使用统一先验。

class_prior ：类的先验概率。如果指定，则不根据数据调整先验。

norm ：是否执行权重的第二次标准化。

案例:

import numpy as npX = np.random.randint(50, size=(1000, 100))y = np.random.randint(6, size=(1000))from sklearn.naive_bayes import ComplementNBclf = ComplementNB()clf.fit(X, y)
print(clf.predict(X[2:3]))

4. 伯努利朴素贝叶斯 (BernoulliNB)

BernoulliNB 实现了基于多元伯努利分布的数据的朴素贝叶斯训练和分类算法。BernoulliNB 可能在某些数据集上表现得更好，特别是那些文档较短的数据集。BernoulliNB 的 sklearn 与上面介绍的算法接口相似。

案例:

import numpy as npX = np.random.randint(50, size=(1000, 100))y = np.random.randint(6, size=(1000))from sklearn.naive_bayes import BernoulliNBclf = BernoulliNB()clf.fit(X, Y)
print(clf.predict(X[2:3]))

K-Nearest Neighbors (KNN)

KNN 基于每个查询点的最近邻居来实现学习，其中 k 是用户指定的一个整数值。是最经典的机器学习算法之一。

KNN 的 skearn 的接口如下：

class sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None, **kwargs)

常用参数讲解：

n_neighbors：邻居数，是KNN中最重要的参数。

algorithm：计算最近邻的算法，常用算法有{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}。

案例:

from sklearn import datasetsiris = datasets.load_iris()
from sklearn.neighbors import KNeighborsClassifierneigh = KNeighborsClassifier(n_neighbors=3)neigh.fit(iris.data, iris.target) 
print(neigh.predict((iris.data))
print(neigh.predict_proba((iris.data))

支持向量机 (SVM)

支持向量机(SVMs)是一套用于分类、回归和异常值检测的监督学习方法。这里我将只介绍分类方法。支持向量机的优点是:在高维空间中有效；在维数大于样本数的情况下仍然有效，因此对于小数据集，SVM可以表现出良好的性能。

SVM 在 sklearn 上有三个接口，分别是 LinearSVC， SVC, 和 NuSVC。最常用的一般是 SVC 接口。

SVC 的 sklearn 接口：

class sklearn.svm.SVC(C=1.0, kernel=’rbf’, degree=3, gamma=’auto_deprecated’, coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape=’ovr’, random_state=None)

常用参数讲解：

C : 错误项的惩罚参数C

kernel：核函数的选择。常用的核函数有：‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’。

probability ：预测时是否使用概率估计。

案例:

import numpy as npX = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])y = np.array([1, 1, 2, 2])from sklearn.svm import SVCclf = SVC(C=1,kernel='rbf',gamma='auto')clf.fit(X, y) 
print(clf.predict([[-0.8, -1]]))

拓展：SVM解决二分类问题具有得天独厚的优势，然而对于解决多分类问题却很困难。常见的解决方案是“一对一”的方法解决多分类问题。具体地，假设这个是一个 n_class的分类问题，则会构建 n_class*(n_class-1)/2个二分类，来解决这个多分类问题。

X = [[0], [1], [2], [3]]Y = [0, 1, 2, 3]clf = svm.SVC(gamma='scale', decision_function_shape='ovo')clf.fit(X, Y) 
dec = clf.decision_function([[1]])dec.shape[1] # 4 classes: 4*3/2 = 6
clf.decision_function_shape = "ovr"dec = clf.decision_function([[1]])dec.shape[1] # 4 classes

决策树

决策树作为十大经典算法之一，能够很好的处理多分类问题。

决策树的 sklearn 接口：

class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, splitter=’best’, 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)

常用参数讲解：

criterion：该函数用于衡量分割的依据。常见的有"gini"用来计算基尼系数和"entropy"用来计算信息增益。

max_depth：树的最大深度。

min_samples_split：分割内部节点所需的最小样本数。

min_samples_leaf：叶节点上所需的最小样本数。

案例:

from sklearn.datasets import load_irisfrom sklearn.model_selection import cross_val_scorefrom sklearn.tree import DecisionTreeClassifierclf = DecisionTreeClassifier(random_state=0)iris = load_iris()clf.fit(iris.data, iris.target)
clf.predict(iris.data)clf.predict_proba(iris.data)