小白入门最简单的机器学习算法

这是菜鸟学Python的第125篇原创文章

阅读本文大概需要3分钟

菜鸟独白

上一篇(菜鸟学机器学习启航篇)对机器学习做了初步的介绍，机器学习的算法有很多，小白开始学习的时候，往往会被弄晕。有没有比较简单适合小白入手的算法呢~~当然有的,今天我们从最最简单的机器学习算法kNN入手，慢慢的通过一些简单的例子来理解机器学习。

1.挑兵器

1).语言

机器学习的文章，我主要以Python3为主，当然有的时候会穿插Python2.因为我一直是Py2/3混用的，而且Py2有点恋恋不舍，毕竟用了好多年了,一般会针对不同的项目用不同的语言.

2).开发工具

Python开发的工具非常多，前面入门上手篇我介绍过一些(入门篇我写了60几篇值得收藏|菜鸟学Python【入门文章大全】)，机器学习我主要用Jupyter notebook非常方便，其实做数据分析我也喜欢用它(爬虫，数据分析我写了40几篇),但是爬虫一般我会用Pycharm去爬数据。

3).主要的库

机器学习框架我以sklearn为主，当然pandas和numpy也都是必备的！有同学会问这些库怎么下载啊? 你可以用pip安装，也可以直接下载anaconda这个神器，非常方便，一下子把机器学习，数据分析要的库全部安装了，省的你一个一个下载.

2.挑个最简单的数据集

工欲善其事，必先利其器。挑完了称手兵器,准备工作都做好了，那么开始看数据集了.

一开始上手的时候，切记不能太难，欲速不达则不达。选来选去，我还是觉得最经典的数据集irsi(鸢尾花)比较合适，亮点如下:

1).数据集非常小巧

直接内置在sklearn库里面，不用我们再去网站上下载了,150行的数据，适合上手

2).数据比较干净

因为sklearn里面的数据都是经过清洗的，现实里的大部分数据都是未清洗的，其实机器学习里面有一大部分的时间是清洗数据，对特征值进行处理.

3).数据集长啥样

鸢尾花是一个非常有趣的数据集，一般一朵花有3部分组成：有花萼、花瓣和花蕊三个部分，花萼就是绿色的那部分在最外边，然后是花瓣，最里面是花蕊.

这里我通过采集花萼和花瓣的长宽，来对数据进行分类。一共有150朵花，分成了3类花:

1).Iris setosa

2).Iris versicolor

3).Iris virginica

是不是蛮漂亮的，下我们来具体看一下数据集.

4).导入数据集

导入相应的库和sklean里面的iris数据集，它是一个大的字典里面有花的数据(4个维度的特征值，标签值，标签名，表述，特征名字)

构建iris数据集,把数据转换成pandas的DataFrame看一下,我们随机抽5行看一下:

发现第一行花萼的长度是5.8/2.8，花瓣5.1/2.4,那这样的花就是virginica

3.挑算法-kNN邻近算法

1).好万事具备，我们可以开始愉快的玩耍算法吧

用玩的心态去学Python，好比你玩乐高积木，你就会乐此不疲了.今天我们用kNN算法来训练数据,一般的机器学习流程大致如下:

获取你的数据集,观察你的数据集，进行清洗和特征值选择，并划分训练和测试集的数据

选择合适的机器学习的模型

训练数据

测试测试集的数据

看准确率得分

最后模型调整参数，降维等,重复上面的步骤

2).什么是kNN算法

kNN是k-Nearest Neighbors的简称,我觉得是机器学习里面最简单的算法.它的核心思想就是，要确定测试样本属于哪一类

就寻找所有训练样本中与该测试样本“距离”最近的前K个样本，然后看这K个样本大部分属于哪一类，那么就认为这个测试样本也属于哪一类。

简单的说就是让最相似的K个样本来投票决定。

举例比如有一个身高，体重，是否正常的3个维度的数据集：

2).横坐标是身高，纵坐标体重，蓝色表示正常，红色表示偏胖或者偏瘦

如果我们有个老王他是160cm,85kg,那么计算这个点跟周围所有点的距离进行计算，看最近的距离为k=1的是谁,发现是165/90这个点，那么我们就认为老王和距离他最近的点是一类人，把他划分为胖的

如果我们有个老李他是170cm,65kg,同理计算距离为k=1的点是谁,发现是170/69这个点,那么我们就认为老李和距离他最近的点是一类人，把他划分为正常的

是不是很简单啊，我们上面假设是在距离为1，也就是k=1的情况下的分类，有同学会问，具体k应该怎么设置，如果k大一点比如3，那么有3个样本都跟他很近，而这3个样本的分类又不一致，应该如何划分呢，好下面我们开始真正探索iris这个数据集，然后回答问题.

4. 用kNN训练iris数据集

1).划分数据集

一般我们拿到一个数据集都会进行划分，挑一部分为训练集，一部分为测试集.训练集主要用来训练模型，就是给算法喂数据，让它学习数据；测试集主要是验证我们的模型

我们把150朵花，分成两大阵营：112朵的训练集和38朵的测试集

有同学说这个大写的X, 小写的y是什么鬼，为啥要这样命名；这是一个约定，一般把数据集以X打头，标签以小写的y打头。就好像pandas我们一般喜欢写成pd

2).选择模型算法,进行训练

kNN算法有分类和回归，今天我们讲的是分类的例子.还记得上面的胖瘦的分类吗，就是一个典型的分类问题.鸢尾花也有分类问题，我们来看一下到底是如何机器如何学习的：

首先我们选择knn分类器

然后设置k=1,距离为1

接着训练数据集

最后预测数据结果

哇，原理机器学习这么简单，就这几步。先不要得意，后面还有很多工作要做呢，我们接着看

3).看一下预测准确率

knn算法在我们喂了一堆112朵花的训练集数据之后，变得智能了，可以帮我们预测测试集里面38朵花的分类标签了，感觉很好，到底准确率多多高呢，靠不靠谱呢:

准确率有97.36%，哇非常高哈！厉害，厉害！

4).调整一下参数看看

刚才我们是选的k=1,也就是找距离最近的为1的分类，如果我们k变化和 调整训练和测试集的比例，准确率会怎么样：

发现s的值越小，也就是说训练的数据越多，算法的准确率越高.如果训练的数据小了，k值变大准确率也会高很多.

5).预测数据

我们挑一个准确率最高的分类器模型，就可以预测数据了,

完全正确，随着人工智能的深入发展，未来机器学习的数据越来越多，会变的非常聪明，这就是为啥AlphaGo能这么打败那么多围棋高手的原因，不过还好机器不懂情感～～

结论:

好了，今天的机器学习入门第一篇就讲到这里，knn算法是不是很简单，其实knn的效果还是蛮好的！如有什么问题，欢迎大家留言讨论。我们期待下一篇更精彩！

更多私密技巧干货，尽在小密圈