【导读】众所周知,Scikit-learn(以前称为 scikits.learn)是一个用于 Python 编程语言的免费软件机器学习库。它具有各种分类,回归和聚类算法,包括支持向量机,随机森林,梯度增强,k-means 和 DBSCAN,旨在与 Python 数值和科学库NumPy和SciPy互操作。
本文将带你入门常见的机器学习分类算法——逻辑回归、朴素贝叶斯、KNN、SVM、决策树。
逻辑回归,尽管他的名字包含"回归",却是一个分类而不是回归的线性模型。逻辑回归在文献中也称为 logit 回归,最大熵分类或者对数线性分类器。下面将先介绍一下 sklearn 中逻辑回归的接口:
classsklearn.linear_model.LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='warn', max_iter=100, multi_class='warn', verbose=0, warm_start=False, n_jobs=None)
常用参数讲解:
penalty:惩罚项。一般都是"l1"或者"l2"。
dual:这个参数仅适用于使用 liblinear 求解器的"l2"惩罚项。 一般当样本数大于特征数时,这个参数置为 False。
C:正则化强度(较小的值表示更强的正则化),必须是正的浮点数。
solver:参数求解器。一般的有{‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}。
multi_class:多分类问题转化,如果使用 "ovr",则是将多分类问题转换成多个二分类为题看待;如果使用 "multinomial",损失函数则会是整个概率分布的多项式拟合损失。
不常用的参数这里就不再介绍,想要了解细节介绍,可以sklearn的官网查看。
案例:
这里我使用 sklearn 内置的数据集——iris 数据集,这是一个三分类的问题,下面我就使用逻辑回归来对其分类:
fromsklearn.datasets importload_iris fromsklearn.linear_model importLogisticRegression X, y = load_iris(return_X_y=True) clf = LogisticRegression(random_state=0, solver='lbfgs', multi_class='multinomial').fit(X, y)
上面我就训练好了一个完整的逻辑回归模型,我们可以用predict这个函数对测试集进行预测。
clf.predict(X[:2, :])
如果想知道预测的概率,可以通过predict_proba这个函数来进行预测。
clf.predict_proba(X[:2, :])
如果想知道我们预测的准确性,可以通过score这个函数来判断我们的模型好坏。
clf.score(X, y)
朴素贝叶斯方法是一组基于贝叶斯定理的监督学习算法,在给定类变量值的情况下,朴素假设每对特征之间存在条件独立性。下面我将介绍几种朴素贝叶斯的方法。
1. 高斯朴素贝叶斯 (GaussianNB)
高斯朴素贝叶斯的原理可以看这篇文章:http://i.stanford.edu/pub/cstr/reports/cs/tr/79/773/CS-TR-79-773.pdf
这里,我将介绍如何使用 sklearn 来实现 GaussianNB。
from sklearn import datasets iris = datasets.load_iris() from sklearn.naive_bayes import GaussianNB gnb = GaussianNB() y_pred = gnb.fit(iris.data, iris.target).predict(iris.data) print("Number of mislabeled points out of a total %d points : %d" % (iris.data.shape[0],(iris.target != y_pred).sum()))
2. 多项式朴素贝叶斯 (MultinomialNB/MNB)
这里我随机生成一组数据,然后使用 MultinomialNB 算法来学习。
import numpy as np X = np.random.randint(50, size=(1000, 100)) y = np.random.randint(6, size=(1000)) from sklearn.naive_bayes import MultinomialNB clf = MultinomialNB() clf.fit(X, y)
print(clf.predict(X[2:3]))
3. 互补朴素贝叶斯 (ComplementNB/CMB)
ComplementNB 是标准多项式朴素贝叶斯(MNB)算法的一种改进,特别适用于不平衡数据集。
具体来说,ComplementNB 使用来自每个类的补充的统计信息来计算模型的权重。CNB 的发明者通过实验结果表明,CNB 的参数估计比 MNB 的参数估计更稳定。此外,在文本分类任务上,CNB 通常比 MNB 表现得更好(通常是相当大的优势)。
CNB 的 sklearn 接口:
classsklearn.naive_bayes.ComplementNB(alpha=1.0, fit_prior=True, class_prior=None, norm=False)
常用参数讲解:
alpha:加性(拉普拉斯/Lidstone)平滑参数(无平滑为0)。
fit_prior:是否学习类先验概率。若为假,则使用统一先验。
class_prior :类的先验概率。如果指定,则不根据数据调整先验。
norm :是否执行权重的第二次标准化。
案例:
import numpy as npX = np.random.randint(50, size=(1000, 100))y = np.random.randint(6, size=(1000))from sklearn.naive_bayes import ComplementNBclf = ComplementNB()clf.fit(X, y)
print(clf.predict(X[2:3]))
4. 伯努利朴素贝叶斯 (BernoulliNB)
BernoulliNB 实现了基于多元伯努利分布的数据的朴素贝叶斯训练和分类算法。BernoulliNB 可能在某些数据集上表现得更好,特别是那些文档较短的数据集。BernoulliNB 的 sklearn 与上面介绍的算法接口相似。
案例:
import numpy as npX = np.random.randint(50, size=(1000, 100))y = np.random.randint(6, size=(1000))from sklearn.naive_bayes import BernoulliNBclf = BernoulliNB()clf.fit(X, Y)
print(clf.predict(X[2:3]))
KNN 基于每个查询点的最近邻居来实现学习,其中 k 是用户指定的一个整数值。是最经典的机器学习算法之一。
KNN 的 skearn 的接口如下:
classsklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None, **kwargs)
常用参数讲解:
n_neighbors:邻居数,是KNN中最重要的参数。
algorithm:计算最近邻的算法,常用算法有{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}。
案例:
fromsklearn importdatasetsiris = datasets.load_iris()
fromsklearn.neighbors importKNeighborsClassifierneigh = KNeighborsClassifier(n_neighbors=3)neigh.fit(iris.data, iris.target)
print(neigh.predict((iris.data))
print(neigh.predict_proba((iris.data))
支持向量机(SVMs)是一套用于分类、回归和异常值检测的监督学习方法。这里我将只介绍分类方法。支持向量机的优点是:在高维空间中有效;在维数大于样本数的情况下仍然有效,因此对于小数据集,SVM可以表现出良好的性能。
SVM 在 sklearn 上有三个接口,分别是 LinearSVC, SVC, 和 NuSVC。最常用的一般是 SVC 接口。
SVC 的 sklearn 接口:
classsklearn.svm.SVC(C=1.0, kernel=’rbf’, degree=3, gamma=’auto_deprecated’, coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape=’ovr’, random_state=None)
常用参数讲解:
C :错误项的惩罚参数C
kernel:核函数的选择。常用的核函数有:‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’。
probability :预测时是否使用概率估计。
案例:
importnumpy asnpX = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])y = np.array([1, 1, 2, 2])fromsklearn.svm importSVCclf = SVC(C=1,kernel='rbf',gamma='auto')clf.fit(X, y)
print(clf.predict([[-0.8, -1]]))
拓展:SVM解决二分类问题具有得天独厚的优势,然而对于解决多分类问题却很困难。常见的解决方案是“一对一”的方法解决多分类问题。具体地,假设 这个是一个 n_class的分类问题,则会构建 n_class*(n_class-1)/2个二分类,来解决这个多分类问题。
X = [[0], [1], [2], [3]]Y = [0, 1, 2, 3]clf = svm.SVC(gamma='scale', decision_function_shape='ovo')clf.fit(X, Y)
dec = clf.decision_function([[1]])dec.shape[1] # 4 classes: 4*3/2 = 6
clf.decision_function_shape = "ovr"dec = clf.decision_function([[1]])dec.shape[1] # 4 classes
决策树作为十大经典算法之一,能够很好的处理多分类问题。
决策树的 sklearn 接口:
classsklearn.tree.DecisionTreeClassifier(criterion=’gini’, splitter=’best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False)
常用参数讲解:
criterion:该函数用于衡量分割的依据。常见的有"gini"用来计算基尼系数和"entropy"用来计算信息增益。
max_depth:树的最大深度。
min_samples_split:分割内部节点所需的最小样本数。
min_samples_leaf:叶节点上所需的最小样本数。
案例:
fromsklearn.datasets importload_irisfromsklearn.model_selection importcross_val_scorefromsklearn.tree importDecisionTreeClassifierclf = DecisionTreeClassifier(random_state=0)iris = load_iris()clf.fit(iris.data, iris.target)
clf.predict(iris.data)clf.predict_proba(iris.data)
本文介绍了几种常见的机器学习分类算法,如逻辑回归,朴素贝叶斯,KNN,SVM,以及决策树算法。同时,也用 sklearn 的 python 接口展示了各个算法使用案例。小伙伴们是否学会了呢?
作者:何从庆,湖南大学计算机硕士,主要研究方向: 机器学习与法律智能。