Python机器学习库scikit-learn实践

一、概述

以最广泛的分类算法为例,大致可以分为线性和非线性两大派别。线性算法有著名的逻辑回归、朴素贝叶斯、最大熵等,非线性算法有随机森林、决策树、神经网络、核机器等等。线性算法举的大旗是训练和预测的效率比较高,但最终效果对特征的依赖程度较高,需要数据在特征层面上是线性可分的。因此,使用线性算法需要在特征工程上下不少功夫,尽量对特征进行选择、变换或者组合等使得特征具有区分性。而非线性算法则牛逼点,可以建模复杂的分类面,从而能更好的拟合数据。

那在我们选择了特征的基础上,哪个机器学习算法能取得更好的效果呢?谁也不知道。实践是检验哪个好的不二标准。那难道要苦逼到写五六个机器学习的代码吗?

No,机器学习社区的力量是强大的,码农界的共识是不重复造轮子!因此,对某些较为成熟的算法,总有某些优秀的库可以直接使用,省去了大伙调研的大部分时间。

基于目前使用python较多,而python界中远近闻名的机器学习库要数scikit-learn莫属了。这个库优点很多。简单易用,接口抽象得非常好,而且文档支持实在感人。本文中,我们可以封装其中的很多机器学习算法,然后进行一次性测试,从而便于分析取优。当然了,针对具体算法,超参调优也非常重要。

二、Scikit-learn的python实践

2.1、Python的准备工作

Python一个备受欢迎的点是社区支持很多,有非常多优秀的库或者模块。但是某些库之间有时候也存在依赖,所以要安装这些库也是挺繁琐的过程。但总有人忍受不了这种繁琐,都会开发出不少自动化的工具来节省各位客官的时间。其中,个人总结,安装一个python的库有以下三种方法:

1)Anaconda

这是一个非常齐全的python发行版本,最新的版本提供了多达195个流行的python包,包含了我们常用的numpy、scipy等等科学计算的包。有了它,妈妈再也不用担心我焦头烂额地安装一个又一个依赖包了。Anaconda在手,轻松我有!下载地址如下:http://www.continuum.io/downloads

2)Pip

使用过Ubuntu的人,对apt-get的爱只有自己懂。其实对Python的库的下载和安装可以借助pip工具的。需要安装什么库,直接下载和安装一条龙服务。在pip官网https://pypi.python.org/pypi/pip下载安装即可。未来的需求就在#pip install xx 中。

3)源码包

如果上述两种方法都没有找到你的库,那你直接把库的源码下载回来,解压,然后在目录中会有个setup.py文件。执行#python setup.py install 即可把这个库安装到python的默认库目录中。

2.2、Scikit-learn的测试

scikit-learn已经包含在Anaconda中。也可以在官方下载源码包进行安装。本文代码里封装了如下机器学习算法,我们修改数据加载函数,即可一键测试:

[python] view plain copy

  1. classifiers = {'NB':naive_bayes_classifier,
  2. 'KNN':knn_classifier,
  3. 'LR':logistic_regression_classifier,
  4. 'RF':random_forest_classifier,
  5. 'DT':decision_tree_classifier,
  6. 'SVM':svm_classifier,
  7. 'SVMCV':svm_cross_validation,
  8. 'GBDT':gradient_boosting_classifier
  9. }

train_test.py

[python] view plain copy

  1. #!usr/bin/env python
  2. #-*- coding: utf-8 -*-
  3. import sys
  4. import os
  5. import time
  6. from sklearn import metrics
  7. import numpy as np
  8. import cPickle as pickle
  9. reload(sys)
  10. sys.setdefaultencoding('utf8')
  11. # Multinomial Naive Bayes Classifier
  12. def naive_bayes_classifier(train_x, train_y):
  13. from sklearn.naive_bayes import MultinomialNB
  14. model = MultinomialNB(alpha=0.01)
  15. model.fit(train_x, train_y)
  16. return model
  17. # KNN Classifier
  18. def knn_classifier(train_x, train_y):
  19. from sklearn.neighbors import KNeighborsClassifier
  20. model = KNeighborsClassifier()
  21. model.fit(train_x, train_y)
  22. return model
  23. # Logistic Regression Classifier
  24. def logistic_regression_classifier(train_x, train_y):
  25. from sklearn.linear_model import LogisticRegression
  26. model = LogisticRegression(penalty='l2')
  27. model.fit(train_x, train_y)
  28. return model
  29. # Random Forest Classifier
  30. def random_forest_classifier(train_x, train_y):
  31. from sklearn.ensemble import RandomForestClassifier
  32. model = RandomForestClassifier(n_estimators=8)
  33. model.fit(train_x, train_y)
  34. return model
  35. # Decision Tree Classifier
  36. def decision_tree_classifier(train_x, train_y):
  37. from sklearn import tree
  38. model = tree.DecisionTreeClassifier()
  39. model.fit(train_x, train_y)
  40. return model
  41. # GBDT(Gradient Boosting Decision Tree) Classifier
  42. def gradient_boosting_classifier(train_x, train_y):
  43. from sklearn.ensemble import GradientBoostingClassifier
  44. model = GradientBoostingClassifier(n_estimators=200)
  45. model.fit(train_x, train_y)
  46. return model
  47. # SVM Classifier
  48. def svm_classifier(train_x, train_y):
  49. from sklearn.svm import SVC
  50. model = SVC(kernel='rbf', probability=True)
  51. model.fit(train_x, train_y)
  52. return model
  53. # SVM Classifier using cross validation
  54. def svm_cross_validation(train_x, train_y):
  55. from sklearn.grid_search import GridSearchCV
  56. from sklearn.svm import SVC
  57. model = SVC(kernel='rbf', probability=True)
  58. param_grid = {'C': [1e-3, 1e-2, 1e-1, 1, 10, 100, 1000], 'gamma': [0.001, 0.0001]}
  59. grid_search = GridSearchCV(model, param_grid, n_jobs = 1, verbose=1)
  60. grid_search.fit(train_x, train_y)
  61. best_parameters = grid_search.best_estimator_.get_params()
  62. for para, val in best_parameters.items():
  63. print para, val
  64. model = SVC(kernel='rbf', C=best_parameters['C'], gamma=best_parameters['gamma'], probability=True)
  65. model.fit(train_x, train_y)
  66. return model
  67. def read_data(data_file):
  68. import gzip
  69. f = gzip.open(data_file, "rb")
  70. train, val, test = pickle.load(f)
  71. f.close()
  72. train_x = train[0]
  73. train_y = train[1]
  74. test_x = test[0]
  75. test_y = test[1]
  76. return train_x, train_y, test_x, test_y
  77. if __name__ == '__main__':
  78. data_file = "mnist.pkl.gz"
  79. thresh = 0.5
  80. model_save_file = None
  81. model_save = {}
  82. test_classifiers = ['NB', 'KNN', 'LR', 'RF', 'DT', 'SVM', 'GBDT']
  83. classifiers = {'NB':naive_bayes_classifier,
  84. 'KNN':knn_classifier,
  85. 'LR':logistic_regression_classifier,
  86. 'RF':random_forest_classifier,
  87. 'DT':decision_tree_classifier,
  88. 'SVM':svm_classifier,
  89. 'SVMCV':svm_cross_validation,
  90. 'GBDT':gradient_boosting_classifier
  91. }
  92. print 'reading training and testing data...'
  93. train_x, train_y, test_x, test_y = read_data(data_file)
  94. num_train, num_feat = train_x.shape
  95. num_test, num_feat = test_x.shape
  96. is_binary_class = (len(np.unique(train_y)) == 2)
  97. print '******************** Data Info *********************'
  98. print '#training data: %d, #testing_data: %d, dimension: %d' % (num_train, num_test, num_feat)
  99. for classifier in test_classifiers:
  100. print '******************* %s ********************' % classifier
  101. start_time = time.time()
  102. model = classifiers[classifier](train_x, train_y)
  103. print 'training took %fs!' % (time.time() - start_time)
  104. predict = model.predict(test_x)
  105. if model_save_file != None:
  106. model_save[classifier] = model
  107. if is_binary_class:
  108. precision = metrics.precision_score(test_y, predict)
  109. recall = metrics.recall_score(test_y, predict)
  110. print 'precision: %.2f%%, recall: %.2f%%' % (100 * precision, 100 * recall)
  111. accuracy = metrics.accuracy_score(test_y, predict)
  112. print 'accuracy: %.2f%%' % (100 * accuracy)
  113. if model_save_file != None:
  114. pickle.dump(model_save, open(model_save_file, 'wb'))

四、测试结果

本次使用mnist手写体库进行实验:http://deeplearning.net/data/mnist/mnist.pkl.gz。共5万训练样本和1万测试样本。

代码运行结果如下:

[python] view plain copy

  1. reading training and testing data...
  2. ******************** Data Info *********************
  3. #training data: 50000, #testing_data: 10000, dimension: 784
  4. ******************* NB ********************
  5. training took 0.287000s!
  6. accuracy: 83.69%
  7. ******************* KNN ********************
  8. training took 31.991000s!
  9. accuracy: 96.64%
  10. ******************* LR ********************
  11. training took 101.282000s!
  12. accuracy: 91.99%

在这个数据集中,由于数据分布的团簇性较好(如果对这个数据库了解的话,看它的t-SNE映射图就可以看出来。由于任务简单,其在deep learning界已被认为是toy dataset),因此KNN的效果不赖。GBDT是个非常不错的算法,在kaggle等大数据比赛中,状元探花榜眼之列经常能见其身影。三个臭皮匠赛过诸葛亮,还是被验证有道理的,特别是三个臭皮匠还能力互补的时候!

还有一个在实际中非常有效的方法,就是融合这些分类器,再进行决策。例如简单的投票,效果都非常不错。建议在实践中,大家都可以尝试下。

原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2016-02-01

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏ATYUN订阅号

自相关与偏自相关的简单介绍

自相关和偏自相关图在时间序列分析和预测中经常使用。这些图生动的总结了一个时间序列的观察值与他之前的时间步的观察值之间的关系强度。初学者要理解时间序列预测中自相关...

4784
来自专栏从流域到海域

A Gentle Introduction to Autocorrelation and Partial Autocorrelation (译文)

A Gentle Introduction to Autocorrelation and Partial Autocorrelation 自相关和偏自相关的简单...

2926
来自专栏奇点大数据

阿里巴巴最新实践:TVM+TensorFlow优化GPU上的神经机器翻译

本文是阿里巴巴 PAI-Blade 团队发表于 TVM 的最新博文,文中阐述了如何将 TVM 引入 TensorFlow,使 TensorFlow 中的 bat...

4095
来自专栏从流域到海域

自相关和偏自相关的简单介绍

原文地址:https://machinelearningmastery.com/gentle-introduction-autocorrelation-part...

6337
来自专栏IT派

TensorFlow 深度学习概述

作者: 陈迪豪,就职小米科技,深度学习工程师,TensorFlow代码提交者。 TensorFlow深度学习框架 Google不仅是大数据和云计算的领导者,在机...

3729
来自专栏iOSDevLog

Core ML 2有什么新功能

Core ML是Apple的机器学习框架。仅在一年前发布,Core ML为开发人员提供了一种方法,只需几行代码即可将强大的智能机器学习功能集成到他们的应用程序中...

772
来自专栏企鹅号快讯

能在不同的深度学习框架之间转换模型?微软的MMdnn做到了

Microsoft/MMdnn:深度学习框架随心切换 学习深度学习的各位同学都希望自己的模型能在不同的深度学习框架之间随意转换,比如,斯坦福大学CVGL实验室的...

4745
来自专栏企鹅号快讯

不用@微信官方了,Python20行自动戴帽!

这两天被朋友圈里@微信官方要求戴帽的消息刷屏了,会玩的都悄咪咪地用美图秀秀一类的app给自己头像p一顶然后可高兴地表示“哎呀好神奇hhhh”,呆萌的当然就一直等...

1987
来自专栏互联网研发闲思录

个性化推荐系统(八)--- 机器学习深度学习召回集扩量

个性化推荐系统评价有两个重要指标,一个是召回率一个是准确率。召回率就是:召回率=提取正确信息条数/样本中信息条数。准确率就是:准确率=提取出正确信息条数/提取信...

2395
来自专栏专知

【干货】TensorFlow实战——图像分类神经网络模型

Learn how to classify images with TensorFlow 使用TensorFlow创建一个简单而强大的图像分类神经网络模型 by...

4046

扫码关注云+社区