溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹了Python中Sklearn庫如何使用，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。
Python sklearn庫是一個豐富的機器學習庫，里面包含內(nèi)容太多，這里對一些工程里常用的操作做個簡要的概述，以后還會根據(jù)自己用的進行更新。
簡單來說 LabelEncoder 是對不連續(xù)的數(shù)字或者文本進行按序編號，可以用來生成屬性/標簽
from sklearn.preprocessing import LabelEncoder encoder=LabelEncoder() encoder.fit([1,3,2,6]) t=encoder.transform([1,6,6,2]) print(t)
輸出： [0 3 3 1]
OneHotEncoder 用于將表示分類的數(shù)據(jù)擴維，將[[1]，[2]，[3]，[4]]映射為 0,1,2,3的位置為1（高維的數(shù)據(jù)自己可以測試）：
from sklearn.preprocessing import OneHotEncoder oneHot=OneHotEncoder()#聲明一個編碼器 oneHot.fit([[1],[2],[3],[4]]) print(oneHot.transform([[2],[3],[1],[4]]).toarray())
輸出：[[0. 1. 0. 0.]
[0. 0. 1. 0.]
[1. 0. 0. 0.]
[0. 0. 0. 1.]]
正如keras中的keras.utils.to_categorical(y_train, num_classes)
一般形式：
train_test_split是交叉驗證中常用的函數(shù)，功能是從樣本中隨機的按比例選取train data和testdata，形式為：
X_train,X_test, y_train, y_test =train_test_split(train_data,train_target,test_size=0.2, train_size=0.8,random_state=0)
參數(shù)解釋：
- train_data：所要劃分的樣本特征集
- train_target：所要劃分的樣本結(jié)果
- test_size：測試樣本占比，如果是整數(shù)的話就是樣本的數(shù)量
-train_size：訓練樣本的占比，（注：測試占比和訓練占比任寫一個就行）
- random_state：是隨機數(shù)的種子。
- 隨機數(shù)種子：其實就是該組隨機數(shù)的編號，在需要重復試驗的時候，保證得到一組一樣的隨機數(shù)。比如你每次都填1，其他參數(shù)一樣的情況下你得到的隨機數(shù)組是一樣的。但填0或不填，每次都會不一樣。
隨機數(shù)的產(chǎn)生取決于種子，隨機數(shù)和種子之間的關(guān)系遵從以下兩個規(guī)則：
- 種子不同，產(chǎn)生不同的隨機數(shù)；種子相同，即使實例不同也產(chǎn)生相同的隨機數(shù)。
from sklearn.model_selection import train_test_split from sklearn.datasets import load_iris iris=load_iris() train=iris.data target=iris.target # 避免過擬合，采用交叉驗證，驗證集占訓練集20%，固定隨機種子（random_state) train_X,test_X, train_y, test_y = train_test_split(train, target, test_size = 0.2, random_state = 0) print(train_y.shape)
得到的結(jié)果數(shù)據(jù)：train_X : 訓練集的數(shù)據(jù),train_Y：訓練集的標簽，對應(yīng)test 為測試集的數(shù)據(jù)和標簽
本節(jié)參考與文章：用 Pipeline 將訓練集參數(shù)重復應(yīng)用到測試集
pipeline 實現(xiàn)了對全部步驟的流式化封裝和管理，可以很方便地使參數(shù)集在新數(shù)據(jù)集上被重復使用。
pipeline 可以用于下面幾處：
模塊化 Feature Transform，只需寫很少的代碼就能將新的 Feature 更新到訓練集中。
自動化 Grid Search，只要預(yù)先設(shè)定好使用的 Model 和參數(shù)的候選，就能自動搜索并記錄最佳的 Model。
自動化 Ensemble Generation，每隔一段時間將現(xiàn)有最好的 K 個 Model 拿來做 Ensemble。
問題是要對數(shù)據(jù)集 Breast Cancer Wisconsin 進行分類，
該數(shù)據(jù)集包含 569 個樣本，第一列 ID，第二列類別(M=惡性腫瘤，B=良性腫瘤)，
第 3-32 列是實數(shù)值的特征。
我們要用 Pipeline 對訓練集和測試集進行如下操作：
先用 StandardScaler 對數(shù)據(jù)集每一列做標準化處理，（是 transformer）
再用 PCA 將原始的 30 維度特征壓縮的 2 維度，（是 transformer）
最后再用模型 LogisticRegression。（是 Estimator）
調(diào)用 Pipeline 時，輸入由元組構(gòu)成的列表，每個元組第一個值為變量名，元組第二個元素是 sklearn 中的 transformer
或 Estimator。
注意中間每一步是 transformer，即它們必須包含 fit 和 transform 方法，或者 fit_transform。
最后一步是一個 Estimator，即最后一步模型要有 fit 方法，可以沒有 transform 方法。
然后用 Pipeline.fit對訓練集進行訓練，pipe_lr.fit(X_train, y_train)
再直接用 Pipeline.score 對測試集進行預(yù)測并評分 pipe_lr.score(X_test, y_test)
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
#需要聯(lián)網(wǎng)
df = pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/wdbc.data',
header=None)
# Breast Cancer Wisconsin dataset
X, y = df.values[:, 2:], df.values[:, 1]
encoder = LabelEncoder()
y = encoder.fit_transform(y)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2, random_state=0)
pipe_lr = Pipeline([('sc', StandardScaler()),
('pca', PCA(n_components=2)),
('clf', LogisticRegression(random_state=1))
])
pipe_lr.fit(X_train, y_train)
print('Test accuracy: %.3f' % pipe_lr.score(X_test, y_test))還可以用來選擇特征：
例如用 SelectKBest 選擇特征，
分類器為 SVM，
anova_filter = SelectKBest(f_regression, k=5)
clf = svm.SVC(kernel='linear')
anova_svm = Pipeline([('anova', anova_filter), ('svc', clf)])當然也可以應(yīng)用 K-fold cross validation：
Pipeline 的工作方式：
當管道 Pipeline 執(zhí)行 fit 方法時，
首先 StandardScaler 執(zhí)行 fit 和 transform 方法，
然后將轉(zhuǎn)換后的數(shù)據(jù)輸入給 PCA，
PCA 同樣執(zhí)行 fit 和 transform 方法，
再將數(shù)據(jù)輸入給 LogisticRegression，進行訓練。
predict_proba返回每組數(shù)據(jù)預(yù)測值的概率，每行的概率和為1，如訓練集/測試集有 下例中的兩個類別，測試集有三個，則 predict返回的是一個 3*1的向量，而 predict_proba 返回的是 3*2維的向量，如下結(jié)果所示。
# conding :utf-8 from sklearn.linear_model import LogisticRegression import numpy as np x_train = np.array([[1, 2, 3], [1, 3, 4], [2, 1, 2], [4, 5, 6], [3, 5, 3], [1, 7, 2]]) y_train = np.array([3, 3, 3, 2, 2, 2]) x_test = np.array([[2, 2, 2], [3, 2, 6], [1, 7, 4]]) clf = LogisticRegression() clf.fit(x_train, y_train) # 返回預(yù)測標簽 print(clf.predict(x_test)) # 返回預(yù)測屬于某標簽的概率 print(clf.predict_proba(x_test))
1. sklearn.metrics.roc_curve(true_y. pred_proba_score, pos_labal)
計算roc曲線，roc曲線有三個屬性：fpr, tpr,和閾值，因此該函數(shù)返回這三個變量,l
2. sklearn.metrics.auc(x, y, reorder=False):
計算AUC值，其中x,y分別為數(shù)組形式，根據(jù)(xi, yi)在坐標上的點，生成的曲線，然后計算AUC值；
import numpy as np from sklearn.metrics import roc_curve from sklearn.metrics import auc y = np.array([1,0,2,2]) pred = np.array([0.1, 0.4, 0.35, 0.8]) fpr, tpr, thresholds = roc_curve(y, pred, pos_label=2) print(tpr) print(fpr) print(thresholds) print(auc(fpr, tpr))
3. sklearn.metrics.roc_auc_score(true_y, pred_proba_y)
直接根據(jù)真實值（必須是二值）、預(yù)測值（可以是0/1, 也可以是proba值）計算出auc值，中間過程的roc計算省略
GridSearchCV，它存在的意義就是自動調(diào)參，只要把參數(shù)輸進去，就能給出最優(yōu)化的結(jié)果和參數(shù)。但是這個方法適合于小數(shù)據(jù)集，一旦數(shù)據(jù)的量級上去了，很難得出結(jié)果。這個時候就是需要動腦筋了。數(shù)據(jù)量比較大的時候可以使用一個快速調(diào)優(yōu)的方法——坐標下降。它其實是一種貪心算法：拿當前對模型影響最大的參數(shù)調(diào)優(yōu)，直到最優(yōu)化；再拿下一個影響最大的參數(shù)調(diào)優(yōu)，如此下去，直到所有的參數(shù)調(diào)整完畢。這個方法的缺點就是可能會調(diào)到局部最優(yōu)而不是全局最優(yōu)，但是省時間省力，巨大的優(yōu)勢面前，還是試一試吧，后續(xù)可以再拿bagging再優(yōu)化。
回到sklearn里面的GridSearchCV，GridSearchCV用于系統(tǒng)地遍歷多種參數(shù)組合，通過交叉驗證確定最佳效果參數(shù)。
GridSearchCV的sklearn官方網(wǎng)址：http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html#sklearn.model_selection.GridSearchCV
classsklearn.model_selection.GridSearchCV(estimator,param_grid, scoring=None, fit_params=None, n_jobs=1, iid=True, refit=True,cv=None, verbose=0, pre_dispatch='2*n_jobs', error_score='raise',return_train_score=True)
常用參數(shù)解讀
estimator：所使用的分類器，如estimator=RandomForestClassifier(min_samples_split=100,min_samples_leaf=20,max_depth=8,max_features='sqrt',random_state=10), 并且傳入除需要確定最佳的參數(shù)之外的其他參數(shù)。每一個分類器都需要一個scoring參數(shù)，或者score方法。
param_grid：值為字典或者列表，即需要最優(yōu)化的參數(shù)的取值，param_grid =param_test1，param_test1 = {'n_estimators':range(10,71,10)}。
scoring :準確度評價標準，默認None,這時需要使用score函數(shù)；或者如scoring='roc_auc'，根據(jù)所選模型不同，評價準則不同。字符串（函數(shù)名），或是可調(diào)用對象，需要其函數(shù)簽名形如：scorer(estimator, X, y)；如果是None，則使用estimator的誤差估計函數(shù)。
cv :交叉驗證參數(shù)，默認None，使用三折交叉驗證。指定fold數(shù)量，默認為3，也可以是yield訓練/測試數(shù)據(jù)的生成器。
refit :默認為True,程序?qū)越徊骝炞C訓練集得到的最佳參數(shù)，重新對所有可用的訓練集與開發(fā)集進行，作為最終用于性能評估的最佳模型參數(shù)。即在搜索參數(shù)結(jié)束后，用最佳參數(shù)結(jié)果再次fit一遍全部數(shù)據(jù)集。
iid:默認True,為True時，默認為各個樣本fold概率分布一致，誤差估計為所有樣本之和，而非各個fold的平均。
verbose：日志冗長度，int：冗長度，0：不輸出訓練過程，1：偶爾輸出，>1：對每個子模型都輸出。
n_jobs: 并行數(shù)，int：個數(shù),-1：跟CPU核數(shù)一致, 1:默認值。
pre_dispatch：指定總共分發(fā)的并行任務(wù)數(shù)。當n_jobs大于1時，數(shù)據(jù)將在每個運行點進行復制，這可能導致OOM，而設(shè)置pre_dispatch參數(shù)，則可以預(yù)先劃分總共的job數(shù)量，使數(shù)據(jù)最多被復制pre_dispatch次
進行預(yù)測的常用方法和屬性
grid.fit()：運行網(wǎng)格搜索
grid_scores_：給出不同參數(shù)情況下的評價結(jié)果
best_params_：描述了已取得最佳結(jié)果的參數(shù)的組合
best_score_：成員提供優(yōu)化過程期間觀察到的最好的評分
model=Lasso()
alpha_can=np.logspace(-3,2,10)
np.set_printoptions(suppress=True)#設(shè)置打印選項
print("alpha_can=",alpha_can)
#cv :交叉驗證參數(shù)，默認None 這里為5折交叉
# param_grid：值為字典或者列表，即需要最優(yōu)化的參數(shù)的取值
lasso_model=GridSearchCV(model,param_grid={'alpha':alpha_can},cv=5)#得到最好的參數(shù)
lasso_model.fit(x_train,y_train)
print('超參數(shù)：\n',lasso_model.best_params_)
print("估計器\n",lasso_model.best_estimator_)
如果有transform,使用Pipeline簡化系統(tǒng)搭建流程，將transform與分類器串聯(lián)起來（Pipelineof transforms with a final estimator）
pipeline= Pipeline([("features", combined_features), ("svm", svm)])
param_grid= dict(features__pca__n_components=[1, 2, 3],
features__univ_select__k=[1,2],
svm__C=[0.1, 1, 10])
grid_search= GridSearchCV(pipeline, param_grid=param_grid, verbose=10)
grid_search.fit(X,y)
print(grid_search.best_estimator_)作用：去均值和方差歸一化。且是針對每一個特征維度來做的，而不是針對樣本。
【注意：】
并不是所有的標準化都能給estimator帶來好處。
# coding=utf-8
# 統(tǒng)計訓練集的 mean 和 std 信息
from sklearn.preprocessing import StandardScaler
import numpy as np
def test_algorithm():
np.random.seed(123)
print('use StandardScaler')
# 注：shape of data: [n_samples, n_features]
data = np.random.randn(3, 4)
scaler = StandardScaler()
scaler.fit(data)
trans_data = scaler.transform(data)
print('original data: ')
print(data)
print('transformed data: ')
print(trans_data)
print('scaler info: scaler.mean_: {}, scaler.var_: {}'.format(scaler.mean_, scaler.var_))
print('\n')
print('use numpy by self')
mean = np.mean(data, axis=0)
std = np.std(data, axis=0)
var = std * std
print('mean: {}, std: {}, var: {}'.format(mean, std, var))
# numpy 的廣播功能
another_trans_data = data - mean
# 注：是除以標準差
another_trans_data = another_trans_data / std
print('another_trans_data: ')
print(another_trans_data)
if __name__ == '__main__':
test_algorithm()運行結(jié)果：
使用sklearn.preprocessing.PolynomialFeatures來進行特征的構(gòu)造。
它是使用多項式的方法來進行的，如果有a，b兩個特征，那么它的2次多項式為（1,a,b,a^2,ab, b^2）。
PolynomialFeatures有三個參數(shù)
degree：控制多項式的度
interaction_only： 默認為False，如果指定為True，那么就不會有特征自己和自己結(jié)合的項，上面的二次項中沒有a^2和b^2。
include_bias：默認為True。如果為True的話，那么就會有上面的 1那一項。
import pandas as pd
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
path = r"activity_recognizer\1.csv"
# 數(shù)據(jù)在https://archive.ics.uci.edu/ml/datasets/Activity+Recognition+from+Single+Chest-Mounted+Accelerometer
df = pd.read_csv(path, header=None)
df.columns = ['index', 'x', 'y', 'z', 'activity']
knn = KNeighborsClassifier()
knn_params = {'n_neighbors': [3, 4, 5, 6]}
X = df[['x', 'y', 'z']]
y = df['activity']
from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=2, include_bias=False, interaction_only=False)
X_ploly = poly.fit_transform(X)
X_ploly_df = pd.DataFrame(X_ploly, columns=poly.get_feature_names())
print(X_ploly_df.head())運行結(jié)果：
x0 x1 x2 x0^2 x0 x1 x0 x2 x1^2 \
0 1502.0 2215.0 2153.0 2256004.0 3326930.0 3233806.0 4906225.0
1 1667.0 2072.0 2047.0 2778889.0 3454024.0 3412349.0 4293184.0
2 1611.0 1957.0 1906.0 2595321.0 3152727.0 3070566.0 3829849.0
3 1601.0 1939.0 1831.0 2563201.0 3104339.0 2931431.0 3759721.0
4 1643.0 1965.0 1879.0 2699449.0 3228495.0 3087197.0 3861225.0
x1 x2 x2^2
0 4768895.0 4635409.0
1 4241384.0 4190209.0
2 3730042.0 3632836.0
3 3550309.0 3352561.0
4 3692235.0 3530641.0
Sklearn API：http://scikit-learn.org/stable/modules/classes.html#module-sklearn.ensemble
import numpy as np
np.random.seed(10)
%matplotlib inline
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import (RandomTreesEmbedding, RandomForestClassifier,
GradientBoostingClassifier)
from sklearn.preprocessing import OneHotEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_curve,accuracy_score,recall_score
from sklearn.pipeline import make_pipeline
from sklearn.calibration import calibration_curve
import copy
print(__doc__)
from matplotlib.colors import ListedColormap
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import make_moons, make_circles, make_classification
from sklearn.neural_network import MLPClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.gaussian_process import GaussianProcessClassifier
from sklearn.gaussian_process.kernels import RBF
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis
# 數(shù)據(jù)
X, y = make_classification(n_samples=100000)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,random_state = 4000) # 對半分
X_train, X_train_lr, y_train, y_train_lr = train_test_split(X_train,
y_train,
test_size=0.2,random_state = 4000)
print(X_train.shape, X_test.shape, y_train.shape, y_test.shape)
def yLabel(y_pred):
y_pred_f = copy.copy(y_pred)
y_pred_f[y_pred_f>=0.5] = 1
y_pred_f[y_pred_f<0.5] = 0
return y_pred_f
def acc_recall(y_test, y_pred_rf):
return {'accuracy': accuracy_score(y_test, yLabel(y_pred_rf)), \
'recall': recall_score(y_test, yLabel(y_pred_rf))}h = .02 # step size in the mesh
names = ["Nearest Neighbors", "Linear SVM", "RBF SVM",
"Decision Tree", "Neural Net", "AdaBoost",
"Naive Bayes", "QDA"]
# 去掉"Gaussian Process"，太耗時，是其他的300倍以上
classifiers = [
KNeighborsClassifier(3),
SVC(kernel="linear", C=0.025),
SVC(gamma=2, C=1),
#GaussianProcessClassifier(1.0 * RBF(1.0)),
DecisionTreeClassifier(max_depth=5),
#RandomForestClassifier(max_depth=5, n_estimators=10, max_features=1),
MLPClassifier(alpha=1),
AdaBoostClassifier(),
GaussianNB(),
QuadraticDiscriminantAnalysis()]
predictEight = {}
for name, clf in zip(names, classifiers):
predictEight[name] = {}
predictEight[name]['prob_pos'],predictEight[name]['fpr_tpr'],predictEight[name]['acc_recall'] = [],[],[]
predictEight[name]['importance'] = []
print('\n --- Start Model : %s ----\n'%name)
%time clf.fit(X_train, y_train)
# 一些計算決策邊界的模型 計算decision_function
if hasattr(clf, "decision_function"):
%time prob_pos = clf.decision_function(X_test)
# # The confidence score for a sample is the signed distance of that sample to the hyperplane.
else:
%time prob_pos= clf.predict_proba(X_test)[:, 1]
prob_pos = (prob_pos - prob_pos.min()) / (prob_pos.max() - prob_pos.min())
# 需要歸一化
predictEight[name]['prob_pos'] = prob_pos
# 計算ROC、acc、recall
predictEight[name]['fpr_tpr'] = roc_curve(y_test, prob_pos)[:2]
predictEight[name]['acc_recall'] = acc_recall(y_test, prob_pos) # 計算準確率與召回
# 提取信息
if hasattr(clf, "coef_"):
predictEight[name]['importance'] = clf.coef_
elif hasattr(clf, "feature_importances_"):
predictEight[name]['importance'] = clf.feature_importances_
elif hasattr(clf, "sigma_"):
predictEight[name]['importance'] = clf.sigma_
# variance of each feature per class 在樸素貝葉斯之中體現(xiàn)結(jié)果輸出類似：
Automatically created module for IPython interactive environment
--- Start Model : Nearest Neighbors ----
CPU times: user 103 ms, sys: 0 ns, total: 103 ms
Wall time: 103 ms
CPU times: user 2min 8s, sys: 3.43 ms, total: 2min 8s
Wall time: 2min 9s
--- Start Model : Linear SVM ----
CPU times: user 25.4 s, sys: 149 ms, total: 25.6 s
Wall time: 25.6 s
CPU times: user 3.47 s, sys: 1.23 ms, total: 3.47 s
Wall time: 3.47 s
案例地址：http://scikit-learn.org/stable/auto_examples/ensemble/plot_feature_transformation.html#sphx-glr-auto-examples-ensemble-plot-feature-transformation-py
'''
model 0 : lm
logistic
'''
print('LM 開始計算...')
lm = LogisticRegression()
%time lm.fit(X_train, y_train)
y_pred_lm = lm.predict_proba(X_test)[:, 1]
fpr_lm, tpr_lm, _ = roc_curve(y_test, y_pred_lm)
lm_ar = acc_recall(y_test, y_pred_lm) # 計算準確率與召回
'''
model 1 : rt + lm
無監(jiān)督變換 + lg
'''
# Unsupervised transformation based on totally random trees
print('隨機森林編碼+LM 開始計算...')
rt = RandomTreesEmbedding(max_depth=3, n_estimators=n_estimator,
random_state=0)
# 數(shù)據(jù)集的無監(jiān)督變換到高維稀疏表示。
rt_lm = LogisticRegression()
pipeline = make_pipeline(rt, rt_lm)
%time pipeline.fit(X_train, y_train)
y_pred_rt = pipeline.predict_proba(X_test)[:, 1]
fpr_rt_lm, tpr_rt_lm, _ = roc_curve(y_test, y_pred_rt)
rt_lm_ar = acc_recall(y_test, y_pred_rt) # 計算準確率與召回
'''
model 2 : RF / RF+LM
'''
print('\n 隨機森林系列 開始計算... ')
# Supervised transformation based on random forests
rf = RandomForestClassifier(max_depth=3, n_estimators=n_estimator)
rf_enc = OneHotEncoder()
rf_lm = LogisticRegression()
rf.fit(X_train, y_train)
rf_enc.fit(rf.apply(X_train)) # rf.apply(X_train)-(1310, 100) X_train-(1310, 20)
# 用100棵樹的信息作為X，載入做LM模型
%time rf_lm.fit(rf_enc.transform(rf.apply(X_train_lr)), y_train_lr)
y_pred_rf_lm = rf_lm.predict_proba(rf_enc.transform(rf.apply(X_test)))[:, 1]
fpr_rf_lm, tpr_rf_lm, _ = roc_curve(y_test, y_pred_rf_lm)
rf_lm_ar = acc_recall(y_test, y_pred_rf_lm) # 計算準確率與召回
'''
model 2 : GRD / GRD + LM
'''
print('\n 梯度提升樹系列 開始計算... ')
grd = GradientBoostingClassifier(n_estimators=n_estimator)
grd_enc = OneHotEncoder()
grd_lm = LogisticRegression()
grd.fit(X_train, y_train)
grd_enc.fit(grd.apply(X_train)[:, :, 0])
%time grd_lm.fit(grd_enc.transform(grd.apply(X_train_lr)[:, :, 0]), y_train_lr)
y_pred_grd_lm = grd_lm.predict_proba(
grd_enc.transform(grd.apply(X_test)[:, :, 0]))[:, 1]
fpr_grd_lm, tpr_grd_lm, _ = roc_curve(y_test, y_pred_grd_lm)
grd_lm_ar = acc_recall(y_test, y_pred_grd_lm) # 計算準確率與召回
# The gradient boosted model by itself
y_pred_grd = grd.predict_proba(X_test)[:, 1]
fpr_grd, tpr_grd, _ = roc_curve(y_test, y_pred_grd)
grd_ar = acc_recall(y_test, y_pred_grd) # 計算準確率與召回
# The random forest model by itself
y_pred_rf = rf.predict_proba(X_test)[:, 1]
fpr_rf, tpr_rf, _ = roc_curve(y_test, y_pred_rf)
rf_ar = acc_recall(y_test, y_pred_rf) # 計算準確率與召回輸出結(jié)果為：
LM 開始計算...
隨機森林編碼+LM 開始計算...
CPU times: user 591 ms, sys: 85.5 ms, total: 677 ms
Wall time: 574 ms
隨機森林系列 開始計算...
CPU times: user 76 ms, sys: 0 ns, total: 76 ms
Wall time: 76 ms
梯度提升樹系列 開始計算...
CPU times: user 60.6 ms, sys: 0 ns, total: 60.6 ms
Wall time: 60.6 ms
# 8款常規(guī)模型
for x,y in predictEight.items():
print('\n ----- The Model : %s , -----\n '%(x) )
print(predictEight[x]['acc_recall'])
# 樹模型
names = ['LM','LM + RT','LM + RF','GBT + LM','GBT','RF']
ar_list = [lm_ar,rt_lm_ar,rf_lm_ar,grd_lm_ar,grd_ar,rf_ar]
for x,y in zip(names,ar_list):
print('\n --- %s 準確率與召回為: ---- \n '%x,y)結(jié)果輸出：
----- The Model : Linear SVM , -----
{'recall': 0.84561049445005043, 'accuracy': 0.89100000000000001}
---- The Model : Decision Tree , -----
{'recall': 0.90918264379414737, 'accuracy': 0.89949999999999997}
----- The Model : AdaBoost , -----
{'recall': 0.028254288597376387, 'accuracy': 0.51800000000000002}
----- The Model : Neural Net , -----
{'recall': 0.91523713420787078, 'accuracy': 0.90249999999999997}
----- The Model : Naive Bayes , -----
{'recall': 0.91523713420787078, 'accuracy': 0.89300000000000002}
Calibration curves may also be referred to as reliability diagrams.
可靠性檢驗的方式。
# #############################################################################
# Plot calibration plots
names = ["Nearest Neighbors", "Linear SVM", "RBF SVM",
"Decision Tree", "Neural Net", "AdaBoost",
"Naive Bayes", "QDA"]
plt.figure(figsize=(15, 15))
ax1 = plt.subplot2grid((3, 1), (0, 0), rowspan=2)
ax2 = plt.subplot2grid((3, 1), (2, 0))
ax1.plot([0, 1], [0, 1], "k:", label="Perfectly calibrated")
for prob_pos, name in [[predictEight[n]['prob_pos'],n] for n in names] + [(y_pred_lm,'LM'),
(y_pred_rt,'RT + LM'),
(y_pred_rf_lm,'RF + LM'),
(y_pred_grd_lm,'GBT + LM'),
(y_pred_grd,'GBT'),
(y_pred_rf,'RF')]:
prob_pos = (prob_pos - prob_pos.min()) / (prob_pos.max() - prob_pos.min())
fraction_of_positives, mean_predicted_value = calibration_curve(y_test, prob_pos, n_bins=10)
ax1.plot(mean_predicted_value, fraction_of_positives, "s-",
label="%s" % (name, ))
ax2.hist(prob_pos, range=(0, 1), bins=10, label=name,
histtype="step", lw=2)
ax1.set_ylabel("Fraction of positives")
ax1.set_ylim([-0.05, 1.05])
ax1.legend(loc="lower right")
ax1.set_title('Calibration plots (reliability curve)')
ax2.set_xlabel("Mean predicted value")
ax2.set_ylabel("Count")
ax2.legend(loc="upper center", ncol=2)
plt.tight_layout()
plt.show()第一張圖
fraction_of_positives,每個概率片段,正數(shù)的比例= 正數(shù)/總數(shù)
Mean predicted value,每個概率片段,正數(shù)的平均值
第二張圖
每個概率分數(shù)段的個數(shù)
結(jié)果展示為：
大家都知道一些樹模型可以輸出重要性，回歸模型可以輸出系數(shù)，帶有決策平面的（譬如SVM）可以計算點到?jīng)Q策邊界的距離。
# 重要性
print('\n -------- RadomFree importances ------------\n')
print(rf.feature_importances_)
print('\n -------- GradientBoosting importances ------------\n')
print(grd.feature_importances_)
print('\n -------- Logistic Coefficient ------------\n')
lm.coef_
# 其他幾款模型的特征選擇
[[predictEight[n]['importance'],n] for n in names if predictEight[n]['importance'] != [] ]在本次10+機器學習案例之中，可以看到，可以輸出重要性的模型有：
隨機森林rf.feature_importances_
GBTgrd.feature_importances_
Decision Tree decision.feature_importances_
AdaBoost AdaBoost.feature_importances_
可以計算系數(shù)的有：線性模型，lm.coef_ 、 SVM svm.coef_
Naive Bayes得到的是：NaiveBayes.sigma_
解釋為：variance of each feature per class
plt.figure(1)
plt.plot([0, 1], [0, 1], 'k--')
plt.plot(fpr_lm, tpr_lm, label='LR')
plt.plot(fpr_rt_lm, tpr_rt_lm, label='RT + LR')
plt.plot(fpr_rf, tpr_rf, label='RF')
plt.plot(fpr_rf_lm, tpr_rf_lm, label='RF + LR')
plt.plot(fpr_grd, tpr_grd, label='GBT')
plt.plot(fpr_grd_lm, tpr_grd_lm, label='GBT + LR')
# 8 款模型
for (fpr,tpr),name in [[predictEight[n]['fpr_tpr'],n] for n in names] :
plt.plot(fpr, tpr, label=name)
plt.xlabel('False positive rate')
plt.ylabel('True positive rate')
plt.title('ROC curve')
plt.legend(loc='best')
plt.show()
plt.figure(2)
plt.xlim(0, 0.2)
plt.ylim(0.4, 1) # ylim改變 # matt
plt.plot([0, 1], [0, 1], 'k--')
plt.plot(fpr_lm, tpr_lm, label='LR')
plt.plot(fpr_rt_lm, tpr_rt_lm, label='RT + LR')
plt.plot(fpr_rf, tpr_rf, label='RF')
plt.plot(fpr_rf_lm, tpr_rf_lm, label='RF + LR')
plt.plot(fpr_grd, tpr_grd, label='GBT')
plt.plot(fpr_grd_lm, tpr_grd_lm, label='GBT + LR')
for (fpr,tpr),name in [[predictEight[n]['fpr_tpr'],n] for n in names] :
plt.plot(fpr, tpr, label=name)
plt.xlabel('False positive rate')
plt.ylabel('True positive rate')
plt.title('ROC curve (zoomed in at top left)')
plt.legend(loc='best')
plt.show()
感謝你能夠認真閱讀完這篇文章，希望小編分享的“Python中Sklearn庫如何使用”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，更多相關(guān)知識等著你來學習!
免責聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機網(wǎng)站二維碼