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

来自专栏新智元

谷歌、亚马逊和百度的深度学习野心:TensorFlow、MXNet、PaddlePaddle 三大框架对比

【新智元导读】本文作者陈汝丹从定位、框架使用、分布式构成三个方面比较了 TensorFlow、MXNet、PaddlePaddle三个常用开源框架。 本文转载自...

3416
来自专栏机器学习和数学

[Tensorflow] TensorFlow之Hello World!(1)

哇!今天挺开心的,30天的时间,19篇文章,2459人阅读,5313人次阅读!今天开通的原创标识,恩!除了激动,就是非常感谢大家的支持!感谢大家的支持!大家的支...

3106
来自专栏FreeBuf

基于大数据和机器学习的Web异常参数检测系统Demo实现

前 言 如何在网络安全领域利用数据科学解决安全问题一直是一个火热的话题,讨论算法和实现的文章也不少。前段时间看到楚安的文章《数据科学在Web威胁感知中的应...

2178
来自专栏大数据挖掘DT机器学习

支持中文文本数据挖掘的开源项目PyMining

最近一个月,过年的时候天天在家里呆着,年后公司的事情也不断,有一段时间没有更新博客了。PyMining是我最近一段时间构思的一个项目,虽然目前看来比较微型。该项...

3516
来自专栏有趣的Python

TensorFlow应用实战-18-Policy Gradient算法

2334
来自专栏ATYUN订阅号

TensorFlow:如何通过声音识别追踪蝙蝠

在之前的教程中,我们利用TensorFlow的Object Detector API训练了浣熊检测器,在这篇文章中,我将向你展示如何使用TensorFlow构建...

2715
来自专栏机器之心

从Caffe2到TensorFlow,十种框架构建相同神经网络效率对比

3174
来自专栏BestSDK

Pytorch 0.3.0 发布:新增张量函数,支持模型移植

根据官方文档的介绍,此次增加了多个函数和功能,多方面的性能均实现提升。 重大变更 0.3 版本中删掉了 Variable.reinforce() 等随机函数,因...

3408
来自专栏人工智能

TensorFlow核心使用要点

正文之前,小梦先来说说什么是TensorFlow。TensorFlow是谷歌研发的第二代人工智能学习系统,可被用于语音识别或图像识别等多项机器深度学 习领域。T...

2077
来自专栏Crossin的编程教室

【每周一坑】生成九宫格图片

非常简单的功能,但在开发中很常见,很多网页/应用里缩略图都是对图片进行缩放+切割得到的。

1033

扫描关注云+社区