北大青鸟：Python机器学习介绍(共22页).doc

精选优质文档-倾情为你奉上随着行业内机器学习的崛起，能够帮用户快速迭代整个过程的工具变得至关重要。Python，机器学习技术领域冉冉升起的一颗新星，往往是带你走向成功的首选。因此，用 Python 实现机器学习的指南是非常必要的。用 Python 实现机器学习的介绍那么为什么是 Python 呢？根据我的经验，Python 是最容易学习的编程语言之一。现在需要快速迭代整个过程，与此同时，数据科学家不需要深入了解这种语言，因为他们可以快速掌握它。有多容易呢？for anything in the_list:print(anything)就这么容易。Python 的语法和英语（或人类语言，而不是机器语言）语法关系密切。在 Python 的语法中没有愚蠢的大括号造成的困扰。我有一个从事质量保证（Quality Assurance）工作的同事，虽然不是软件工程师，但她可以在一天内写出产品级的 Python 代码。（真的！）我将在下文中介绍几个基于 Python 的库。作为数据分析师和数据科学家，我们可以利用他们的杰作来帮助我们完成任务。这些不可思议的库是用 Python 实现机器学习的必备工具。NumPy这是一个非常有名的数据分析库。从计算数据分布的中位数，到处理多维数组，NumPy 都可以帮你完成。Pandas这是用来处理 CSV 文件的。当然了，你还需要处理一些表格、查看统计数据等，那 Pandas 就是可以满足你的需求的工具。Matplotlib把数据存储在 Pandas 的数据框后，你可能需要做一些可视化来理解数据的更多信息。毕竟一图抵千言。Seaborn这是另一个可视化工具，但这个工具更侧重于统计结果的可视化，比如直方图、饼图、曲线图或相关性表等。Scikit-Learn这是用 Python 实现机器学习的终极工具。所谓用 Python 实现机器学习指的就是这个Scikit-Learn。所有你需要的从算法到提升的内容都能在这里找到。Tensorflow 和 Pytorch针对这两个工具我不会说太多。但如果你对深度学习感兴趣的话，可以详细了解一下，它们值得你花时间去学习。（我下次会再写一篇关于深度学习的教程，敬请期待！）Python 机器学习项目当然，只是阅读和学习是没法让你达成心愿的。你需要实际练习。正如我博客中所说的，如果你没有深入数据的话，那学习这些工具将毫无意义。因此，我在这里介绍一个可以轻松找到 Python 机器学习项目的地方。Kaggle 是一个可以直接研究数据的平台。你可以在这个平台中解决一些项目，并达到真的擅长机器学习的地步。你可能更感兴趣另外一些东西Kaggle 举办的机器学习竞赛，奖金高达 100,000 美元。你可能会想着碰碰运气，哈哈。但最重要的并不是钱你真的可以在这里找到用 Python 实现的机器学习项目。你可以试着完成很多项目。但如果你是个新手，你可能会想参加这项竞赛。我们将在后面的教程中用到一个示例项目：泰坦尼克：从灾难中进行机器学习这就是众所周知的泰坦尼克号。这是一场发生在 1912 年的灾难，这场灾难波及到的乘客和机组成员共 2224 人，其中 1502 人遇难死亡。这项 Kaggle 竞赛（或者说是教程）提供了灾难中的真实数据。你的任务是解释这些数据，并预测出灾难中哪些人会活下来，哪些人不会。用 Python 实现机器学习的教程在深入了解泰坦尼克号的数据之前，我们要先安装一些必需的工具。首先当然是 Python。第一次安装 Python 需要从官网上安装。你要安装 3.6 以上的版本，这样才能跟最新版本的库保持同步。Python 官方网站：https:/www.python.org/downloads/然后可以用 Python 的 pip 安装所有的库。你刚刚下载的 Python 发行版会自动安装 pip。需要的其他工具都可以用 pip 安装。打开终端、命令行或 PowerShell，命令如下：pip install numpypip install pandaspip install matplotlibpip install seabornpip install scikit-learnpip install jupyter看起来一切都运行良好。但是等一下，什么叫 jupyter？jupyter 表示 Julia、Python 和 R，因此它实际上是 Jupytr。但这个单词看起来太奇怪了，所以他们把它变成了 Jupyter。这是一个很有名的笔记本，你可以在这个笔记本上写交互式的 Python 代码。只要在终端中输入 jupyter notebook，就可以打开如下图所示的浏览器页面：你可以把代码写在绿色矩形中，而且可以交互式地编写并评价 Python 代码。现在你已经安装了所有的工具。我们开始吧！数据探索探索数据是第一步。你需要从 Kaggle 的 Titanic 页面下载数据，然后将下载的数据放到你启动 Jupyter 笔记本的文件夹中。然后导入必要的库：import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsimport warningswarnings.filterwarnings('ignore')%matplotlib inline载入数据：train_df=pd.read_csv("train.csv")train_df.head()输出如下：这就是我们的数据。它有下面几列：§ PassengerId，乘客的标识符；§ Survived，他（她）是否存活了下来；§ Pclass，舱室类别，也许 1 表示经济舱，2 表示商务舱，3 表示头等舱；§ Name，乘客的名字；§ Sex，性别；§ Age，年龄；§ SibSp，即兄弟姐妹（siblings）或配偶（spouses），表示在船上的兄弟姐妹以及配偶的数目；§ Parch，即父母（Parents）或子女（Children），表示在船上的父母和子女的数目；§ Ticket，船票详情；§ Cabin，舱号，NaN 表示未知；§ Embarked，登船的起始地，S 表示南安普顿（Southampton），Q 表示皇后镇（Queenstown），C 表示瑟堡（Cherbourg）在探索数据时，常常会遇到数据缺失的问题。我们来看一下def missingdata(data):total = data.isnull().sum().sort_values(ascending = False)percent = (data.isnull().sum()/data.isnull().count()*100).sort_values(ascending = False)ms=pd.concat(total, percent, axis=1, keys='Total', 'Percent')ms= msms"Percent" > 0f,ax =plt.subplots(figsize=(8,6)plt.xticks(rotation='90')fig=sns.barplot(ms.index, ms"Percent",color="green",alpha=0.8)plt.xlabel('Features', fontsize=15)plt.ylabel('Percent of missing values', fontsize=15)plt.title('Percent missing data by feature', fontsize=15)return msmissingdata(train_df)我们会看到这样的结果：舱号、年龄以及登船地的数据都有一些缺失值，而舱号信息有大量的缺失。我们需要对它们进行处理，也就是所谓的数据清理（Data Cleaning）。数据清理我们 90% 的时间都花在这上面。我们要针对每一个机器学习项目进行大量的数据清理。当数据清理干净时，我们就可以轻松地进行下一步了，什么都不用担心。数据清理中最常用的技术是填充缺失数据。你可以用众数、平均数或中位数来填充缺失数据。选择这些数据没有绝对规则，你可以一一尝试，然后看看它们的表现如何。但是根据经验来讲，分类数据只能用众数，连续数据可以用中位数或平均数。所以我们用众数来填充登船地数据，用中位数来填充年龄数据。train_df'Embarked'.fillna(train_df'Embarked'.mode()0, inplace = True)train_df'Age'.fillna(train_df'Age'.median(), inplace = True)接下来的重要操作是删除数据，尤其针对大量缺失的数据。我们针对舱号数据进行以下处理：drop_column = 'Cabin'train_df.drop(drop_column, axis=1, inplace = True)现在检查一下清理过的数据。print('check the nan value in train data')print(train_df.isnull().sum()完美！没有任何缺失数据了！这表示数据已经清理干净了。特征工程现在数据已经清理干净了。接下来我们要进行特征工程。特征工程基本上就是根据当前可用数据发现特征或数据的技术。有几种方法可以实现这种技术。在很多时候这都是常识。我们以登船地数据为例这是用 Q、S 或 C 填充的数据。Python 库不能处理这个，因为它只能处理数字。所以你需要用所谓的独热向量化（One Hot Vectorization）来处理，它可以把一列变成三列。用 0 或 1 填充 Embarked_Q、Embarked_S 和 Embarked_C，来表示这个人是不是从这个港口出发的。再以 SibSp 和 Parch 为例。这两列没有什么有趣的，但是你可能会想知道某个乘客有多少家人登上了这艘船。如果家人多的话可能会增加生存几率，因为他们可以互相帮助。从另一个角度说，单独登船的乘客可能很难生存下去。因此你可以创建新的一列，这一列是成员数量（family size），family size = SibSp + Parch + 1（乘客自己）。最后一个例子是以 bin 列为例的。由于你认为很难区分具有相似值的事物，所以这种操作创建了值范围（ranges of values），然后将多个值组合在一起。比如，5 岁和 6 岁的乘客之间有显著的差异吗？或者 45 和 46 岁的人之间有显著的差异吗？这就是创建 bin 列的原因。也许就年龄而言，我们可以创建 4 列幼儿（014 岁）、青少年（1420 岁）、成年人（2040 岁）以及年长的人（40 岁以上）。编码如下：all_data = train_dffor dataset in all_data :dataset'FamilySize' = dataset'SibSp' + dataset'Parch' + 1import re# Define function to extract titles from passenger namesdef get_title(name):title_search = re.search(' (A-Za-z+).', name)# If the title exists, extract and return it.if title_search:return title_search.group(1)return ""# Create a new feature Title, containing the titles of passenger namesfor dataset in all_data:dataset'Title' = dataset'Name'.apply(get_title)# Group all non-common titles into one single grouping "Rare"for dataset in all_data:dataset'Title' = dataset'Title'.replace('Lady', 'Countess','Capt', 'Col','Don','Dr', 'Major', 'Rev', 'Sir', 'Jonkheer', 'Dona', 'Rare')dataset'Title' = dataset'Title'.replace('Mlle', 'Miss')dataset'Title' = dataset'Title'.replace('Ms', 'Miss')dataset'Title' = dataset'Title'.replace('Mme', 'Mrs')for dataset in all_data:dataset'Age_bin' = pd.cut(dataset'Age', bins=0,14,20,40,120, labels='Children','Teenage','Adult','Elder')for dataset in all_data:dataset'Fare_bin' = pd.cut(dataset'Fare', bins=0,7.91,14.45,31,120, labels 'Low_fare','median_fare', 'Average_fare','high_fare')traindf=train_dffor dataset in traindf:drop_column = 'Age','Fare','Name','Ticket'dataset.drop(drop_column, axis=1, inplace = True)drop_column = 'PassengerId'traindf.drop(drop_column, axis=1, inplace = True)traindf = pd.get_dummies(traindf, columns = "Sex","Title","Age_bin","Embarked","Fare_bin",prefix="Sex","Title","Age_type","Em_type","Fare_type")现在，你已经创建完成所有的特征了。接着我们看看这些特征之间的相关性：sns.heatmap(traindf.corr(),annot=True,cmap='RdYlGn',linewidths=0.2) #data.corr()->correlation matrixfig=plt.gcf()fig.set_size_inches(20,12)plt.show()相关值接近 1 意味着高度正相关，-1 意味着高度负相关。例如，性别为男和性别为女之间就呈负相关，因为必须将乘客识别为一种性别（或另一种）。此外，你还可以看到，除了用特征工程创建的内容外，没有哪两种是高度相关的。这证明我们做得对。如果某些因素之间高度相关会怎么样？我们可以删除其中的一个，新列中的信息并不能给系统提供任何新信息，因为这两者是完全一样的。用 Python 实现机器学习现在我们已经到达本教程的高潮机器学习建模。from sklearn.model_selection import train_test_split #for split the datafrom sklearn.metrics import accuracy_score #for accuracy_scorefrom sklearn.model_selection import KFold #for K-fold cross validationfrom sklearn.model_selection import cross_val_score #score evaluationfrom sklearn.model_selection import cross_val_predict #predictionfrom sklearn.metrics import confusion_matrix #for confusion matrixall_features = traindf.drop("Survived",axis=1)Targeted_feature = traindf"Survived"X_train,X_test,y_train,y_test = train_test_split(all_features,Targeted_feature,test_size=0.3,random_state=42)X_train.shape,X_test.shape,y_train.shape,y_test.shapeScikit-Learn 库中有多种算法供你选择：§ 逻辑回归§ 随机森林§ 支持向量机§ K 最近邻§ 朴素贝叶斯§ 决策树§ AdaBoost§ LDA§ 梯度增强你可能感到不知所措，想弄清什么是什么。别担心，只要将它当做黑箱对待就好选一个表现最好的。（我之后会写一篇完整的文章讨论如何选择这些算法。）以我最喜欢的随机森林算法为例：from sklearn.ensemble import RandomForestClassifiermodel = RandomForestClassifier(criterion='gini', n_estimators=700,min_samples_split=10,min_samples_leaf=1,max_features='auto',oob_score=True,random_state=1,n_jobs=-1)model.fit(X_train,y_train)prediction_rm=model.predict(X_test)print('-The Accuracy of the model-')print('The accuracy of the Random Forest Classifier is', round(accuracy_score(prediction_rm,y_test)*100,2)kfold = KFold(n_splits=10, random_state=22) # k=10, split the data into 10 equal partsresult_rm=cross_val_score(model,all_features,Targeted_feature,cv=10,scoring='accuracy')print('The cross validated score for Random Forest Classifier is:',round(result_rm.mean()*100,2)y_pred = cross_val_predict(model,all_features,Targeted_feature,cv=10)sns.heatmap(confusion_matrix(Targeted_feature,y_pred),annot=True,fmt='3.0f',cmap="summer")plt.title('Confusion_matrix', y=1.05, size=15)哇哦！准确率高达 83%。就第一次尝试而言，这个结果已经很好了。交叉验证分数的意思是 K 折验证方法。如果 K=10，就是说要把数据分成 10 个变量，计算所有分数的均值，并将它们作为最终分数。微调现在你已经完成了用 Python 实现机器学习的步骤。但再加一个步骤可以让你得到更好的结果微调。微调的意思是为机器学习算法找到最佳参数。以上面的随机森林代码为例：model = RandomForestClassifier(criterion='gini', n_estimators=700,min_samples_split=10,min_samples_leaf=1,max_features='auto',oob_score=True,random_state=1,n_jobs=-1)你需要设置许多参数。顺便说一下，上面的都是默认值。你可以根据需要改变参数。但当然了，这需要花费很多时间。别担心有一种叫做网格搜索（Grid Search）的工具，它可以自动找出最佳参数。听起来还不错，对吧？# Random Forest Classifier Parameters tunningmodel = RandomForestClassifier()n_estim=range(100,1000,100)# Search grid for optimal parametersparam_grid = "n_estimators" :n_estimmodel_rf = GridSearchCV(model,param_grid = param_grid, cv=5, scoring="accuracy", n_jobs= 4, verbose = 1)model_rf.fit(train_X,train_Y)# Best scoreprint(model_rf.best_score_)#best estimatormodel_rf.best_estimator_好了，你可以自己尝试一下，并从中享受机器学习的乐趣。总结怎么样？机器学习看起来似乎并不难吧？用 Python 实现机器学习很简单。一切都已经为你准备好了。你可以做一些神奇的事，并给人们带来快乐。专心-专注-专业