sklearn-0概述

0 绪论

本系列机器学习笔记源于 python机器学习基础教程 Andreas C.Müller Sarah Guido，有兴趣可看原书

1 能干啥

识别人脸，图像，等自动化行为，根据已有特征与结果进行学习，对未知的特征进行判断

2 概念

2.1 监督学习和非监督学习

监督学习有输入输出，非监督学习只有输入没有输出

比如有很多花朵特征（颜色，叶子大小等）和花朵种类，目标是根据花朵特征判断花朵种类，这种情况既有输入（花朵特征）也有输出（花朵种类），就是监督学习。非监督学习是只有花朵特征，没有输出信息

2.2 训练集与测试集

对监督学习来说，有输入和输出，用来训练模型的数据叫训练集，用训练好的模型对未知数据做出预测，未知数据的输入与未知数据预测的结果称为测试集，故名思意，用来测试模型的数据叫测试集

3 机器学习用什么语言

有python， matlab， r等，python因易用性与大量库，使用量不少

4 机器学习需要的库（都是python库）

4.1 scikit-learn

开源项目，也是机器学习的主要功能库

用anaconda，安装的话，先到自己创的conda环境下，然后conda install scikit-learn等会就装好了

4.2 其他工具库

机器学习需要绘图，特征运算等其他辅助功能，有些库可以帮我们快速便捷进行这些运算，主要看下绘图

4.2.1 matplotlib

主要能画图，各种图，来个例子

 

 4.2.2 pandas

主要可处理，分析数据，主要数据结构是DataFrame，模仿了R语言的DataFrame，一个DataFrame可理解为一个excel，所以可以很好对接excel

来个例子

4.2.3 mglearn

也可用来绘图，看最后段落的例子

5 实例：鸢尾花分类

即根据鸢尾花的外形数据判断花种类，如花瓣长宽，花萼长宽，根据这些信息，判断这花是哪种鸢尾花

5.1 导入数据

 5.2 区分训练数据和测试数据

训练数据是用来训练模型的，测试数据是用来测试模型的

所有鸢尾花特征数据和花种类都在iris['data']中，可以手动将iris.data中数据分为训练数据和测试数据，也可以调现有接口sklearn.model_selection.train_test_split

可按25%：75%比例来分配测试数据和训练数据

为每次获取一样的数据，可给train_test_split传入数据时传相同随机数种子

 搞错了，都没设置random_state,可以直接这样

5.3 看数据散点图矩阵

iris_df=pd.DataFrame(xte, columns=iris.feature_names)

import matplotlib.pyplot as plt # 好像jupyter不用导这个就能出图，cmd的话得导这个出图

import mglearn as mg

grr = pd.plotting.scatter_matrix(iris_df, c=ytr, figsize=(15,15), marker='o', hist_kwds={'bin': 20}, s=60, alpha=.8, cmap=mg.cm3)

plt.show()

反对角线的应该是分布图

 5.4 构建模型：k临近算法

当给定一个输入时，在训练集中查找与输入最接近的k个输入对应的输出（鸢尾花种类），输出中哪个结果最多，最终结果就是哪个

5.4.1 构造模型

先构造一个k临近算法模型，k可在创建模型时作为参数传入

from sklearn.neighbors import KNeighborsClassifier as KN
knn = KN(n_neighbors=1)

5.4.2 训练模型

训练模型可通过模型对象fit方法实现,传入数据为训练集

knn.fit(xtr, ytr)

5.4.3 用模型做预测

先随便构造一个输入，尝试对其预测

输入可为二维列表，也可为numpy的二维数组(numpy.array)

 预测结果表示这种花是id为0的种类（setosa），问题是结果是否准确

5.4.4 评估模型

用测试集进行评估

也就是说对测试集预测后，准确度约为97.3%