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 -*-
4. import sys
5. import os
6. import time
7. from sklearn import metrics
8. import numpy as np
9. import cPickle as pickle
11. reload(sys)
12. sys.setdefaultencoding('utf8')
14. # Multinomial Naive Bayes Classifier
15. def naive_bayes_classifier(train_x, train_y):
16. from sklearn.naive_bayes import MultinomialNB
17. model = MultinomialNB(alpha=0.01)
18. model.fit(train_x, train_y)
19. return model
22. # KNN Classifier
23. def knn_classifier(train_x, train_y):
24. from sklearn.neighbors import KNeighborsClassifier
25. model = KNeighborsClassifier()
26. model.fit(train_x, train_y)
27. return model
30. # Logistic Regression Classifier
31. def logistic_regression_classifier(train_x, train_y):
32. from sklearn.linear_model import LogisticRegression
33. model = LogisticRegression(penalty='l2')
34. model.fit(train_x, train_y)
35. return model
38. # Random Forest Classifier
39. def random_forest_classifier(train_x, train_y):
40. from sklearn.ensemble import RandomForestClassifier
41. model = RandomForestClassifier(n_estimators=8)
42. model.fit(train_x, train_y)
43. return model
46. # Decision Tree Classifier
47. def decision_tree_classifier(train_x, train_y):
48. from sklearn import tree
49. model = tree.DecisionTreeClassifier()
50. model.fit(train_x, train_y)
51. return model
54. # GBDT(Gradient Boosting Decision Tree) Classifier
55. def gradient_boosting_classifier(train_x, train_y):
56. from sklearn.ensemble import GradientBoostingClassifier
57. model = GradientBoostingClassifier(n_estimators=200)
58. model.fit(train_x, train_y)
59. return model
62. # SVM Classifier
63. def svm_classifier(train_x, train_y):
64. from sklearn.svm import SVC
65. model = SVC(kernel='rbf', probability=True)
66. model.fit(train_x, train_y)
67. return model
69. # SVM Classifier using cross validation
70. def svm_cross_validation(train_x, train_y):
71. from sklearn.grid_search import GridSearchCV
72. from sklearn.svm import SVC
73. model = SVC(kernel='rbf', probability=True)
74. param_grid = {'C': [1e-3, 1e-2, 1e-1, 1, 10, 100, 1000], 'gamma': [0.001, 0.0001]}
75. grid_search = GridSearchCV(model, param_grid, n_jobs = 1, verbose=1)
76. grid_search.fit(train_x, train_y)
77. best_parameters = grid_search.best_estimator_.get_params()
78. for para, val in best_parameters.items():
79. print para, val
80. model = SVC(kernel='rbf', C=best_parameters['C'], gamma=best_parameters['gamma'], probability=True)
81. model.fit(train_x, train_y)
82. return model
84. def read_data(data_file):
85. import gzip
86. f = gzip.open(data_file, "rb")
87. train, val, test = pickle.load(f)
88. f.close()
89. train_x = train[0]
90. train_y = train[1]
91. test_x = test[0]
92. test_y = test[1]
93. return train_x, train_y, test_x, test_y
95. if __name__ == '__main__':
96. data_file = "mnist.pkl.gz"
97. thresh = 0.5
98. model_save_file = None
99. model_save = {}
101. test_classifiers = ['NB', 'KNN', 'LR', 'RF', 'DT', 'SVM', 'GBDT']
102. classifiers = {'NB':naive_bayes_classifier,
103. 'KNN':knn_classifier,
104. 'LR':logistic_regression_classifier,
105. 'RF':random_forest_classifier,
106. 'DT':decision_tree_classifier,
107. 'SVM':svm_classifier,
108. 'SVMCV':svm_cross_validation,
109. 'GBDT':gradient_boosting_classifier
110. }
112. print 'reading training and testing data...'
113. train_x, train_y, test_x, test_y = read_data(data_file)
114. num_train, num_feat = train_x.shape
115. num_test, num_feat = test_x.shape
116. is_binary_class = (len(np.unique(train_y)) == 2)
117. print '******************** Data Info *********************'
118. print '#training data: %d, #testing_data: %d, dimension: %d' % (num_train, num_test, num_feat)
120. for classifier in test_classifiers:
121. print '******************* %s ********************' % classifier
122. start_time = time.time()
123. model = classifiers[classifier](train_x, train_y)
124. print 'training took %fs!' % (time.time() - start_time)
125. predict = model.predict(test_x)
126. if model_save_file != None:
127. model_save[classifier] = model
128. if is_binary_class:
129. precision = metrics.precision_score(test_y, predict)
130. recall = metrics.recall_score(test_y, predict)
131. print 'precision: %.2f%%, recall: %.2f%%' % (100 * precision, 100 * recall)
132. accuracy = metrics.accuracy_score(test_y, predict)
133. print 'accuracy: %.2f%%' % (100 * accuracy)
135. if model_save_file != None:
136. 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。