机器学习之知识点（三）

一、分类方法-朴素贝叶斯算法

1，联合概率和条件概率

联合概率：包含多个条件，且所有条件同时成立的概率

记作：P(A，B)         其中P(A，B) =P(A)P(B)

条件概率：就是事件A在另一个事件B已经发生条件下的发生概率

记作：P(A|B)

特性：P(A1,A2|B) =P(A1|B)P(A2|B)     

(注意：此条件概率的成立，是由于A1,A2相互独立的结果）

2，朴素贝叶斯-贝叶斯公式

其中W为给定文档的特征值（频数统计、预测文档提供），C为文档类别。

公式也可以理解为：

其中C可以是不同类别。

公式分为三部分：

拉普拉斯平滑：在很多例子中我们会发现一些文档发生概率为0，这是不合理的，如果词频列表中有很多出现次数为0，很可能计算结果都为0。

解决方法：拉普拉斯平滑系数

其中α为指定的系数 一般为1，m为训练文档中统计出的特征值的个数。

sklearn朴素贝叶斯实现API：

sklearn.naive_bayes.MultinomialNB

MultinomialNB语法：

•  sklearn.naive_bayes.MultinomialNB(alpha=1.0)
• 朴素贝叶斯分类
• alpha：拉普拉斯平滑系数

实例：

import pandas as pd
from sklearn.datasets import load_iris,fetch_20newsgroups,load_boston
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.preprocessing import StandardScaler

def naviebayes():
    """
    朴素贝叶斯进行文本分类
    :return:
    """
    news=fetch_20newsgroups(subset='all')

    #进行数据分割
    x_train,x_test,y_train,y_test=train_test_split(news.data,news.target,test_size=0.25)

    #对数据集进行特征抽取
    tf=TfidfVectorizer()

    #以训练集当中的词的列表进行每篇文章重要性统计['a','b','c','d']
    x_train=tf.fit_transform(x_train)
    print(tf.get_feature_names_out())

    x_test=tf.transform(x_test)

    #进行朴素贝叶斯算法的预测
    mlt=MultinomialNB(alpha=1.0)
    print(x_train.toarray())

    mlt.fit(x_train,y_train)
    y_predict=mlt.predict(x_test)
    print("预测的文章类别为：",y_predict)
    #得出准确率
    print("准确率为：",mlt.score(x_test,y_test))
    return None

if __name__=="__main__":
    naviebayes()

3，朴素贝叶斯分类的优缺点：

优点：

• 朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率
• 对缺失数据不太敏感，算法也比较简单，常用于文本分类
• 分类准确度高，速度快

缺点：由于使用了样本属性独立性的假设，所以如果样本属性有关联时其效果不好。

二、分类模型评估

estimator.score()

一般最常见使用的是准确率，即预测结果正确的百分比

混淆矩阵：在分类任务下，预测结果与正确标记之间存在四种不同的组合，构成混淆矩阵（适用于多分类）

1，精确率与召回率

精确率：预测结果为正例样本中真实为正例的比例（查得准）

召回率：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力）

2，分类评估API：

sklearn.metrics.classification_report 

 classification_report 语法：

import pandas as pd
from sklearn.datasets import load_iris,fetch_20newsgroups,load_boston
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report

def naviebayes():
    """
    朴素贝叶斯进行文本分类
    :return:
    """
    news=fetch_20newsgroups(subset='all')

    #进行数据分割
    x_train,x_test,y_train,y_test=train_test_split(news.data,news.target,test_size=0.25)

    #对数据集进行特征抽取
    tf=TfidfVectorizer()

    #以训练集当中的词的列表进行每篇文章重要性统计['a','b','c','d']
    x_train=tf.fit_transform(x_train)
    print(tf.get_feature_names_out())

    x_test=tf.transform(x_test)

    #进行朴素贝叶斯算法的预测
    mlt=MultinomialNB(alpha=1.0)
    print(x_train.toarray())

    mlt.fit(x_train,y_train)
    y_predict=mlt.predict(x_test)
    print("预测的文章类别为：",y_predict)
    #得出准确率
    print("准确率为：",mlt.score(x_test,y_test))

    print("每个类别的精确率和召回率：",classification_report(y_test,y_predict, target_names=news.target_names))
    return None

if __name__=="__main__":
    naviebayes()

 3，交叉验证与网络搜索

1）交叉验证：为了让被评估的模型更加准确可信。

流程：

先将所有的数据分成N等分

 再求准确率的平均值

2）超参数搜索-网格搜索

通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫超参数，但是手动过程繁琐，所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型

超参数搜索-网格搜索API：

sklearn.model_selection.GridSearchCV

GridSearchCV语法：

 交叉验证与网络搜索对k-近邻算法的调优：

import pandas as pd
from sklearn.datasets import load_iris,fetch_20newsgroups,load_boston
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report


def knncls():
    """
    K-近邻预测用户签到位置
    :return:
    """
    # 读取数据
    data = pd.read_csv("./data/FBlocation/train.csv")
    # 处理数据
    # 1,缩小数据
    data = data.query("x>1.0 & x<1.25 & y>2.5 & y<2.75")

    # 处理时间
    time_value = pd.to_datetime(data['time'], unit='s')
    # 把日期格式转换成字典格式
    time_value = pd.DatetimeIndex(time_value)
    # 构造一些特征
    data['day'] = time_value.day
    data['hour'] = time_value.hour
    data['weekday'] = time_value.weekday

    # 把时间戳特征删除
    data = data.drop(['time'], axis=1)
    # 把签到数量少于n个目标位置删除
    place_count = data.groupby('place_id').count()
    tf = place_count[place_count.row_id > 3].reset_index()

    data = data[data['place_id'].isin(tf.place_id)]

    # 取出数据当中的特征值和目标值
    y = data['place_id']
    x = data.drop(['place_id'], axis=1)
    # 数据的分割训练集和测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

    # 特征工程（标准化）
    std = StandardScaler()
    # 对测试集和训练集的特征值进行标准化
    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)

    #进行算法流程  #超参数
    knn=KNeighborsClassifier()

    #构造一些参数的值进行搜索
    param={"n_neighbors":[3,5,10]}

    #进行网格搜索
    gc=GridSearchCV(knn,param_grid=param,cv=2)

    gc.fit(x_train,y_train)

    #预测准确率
    print("在测试集上准确率：", gc.score(x_test,y_test))

    print("在交叉验证当中最好的 结果：", gc.best_score_)

    print("选择最好的模型是：", gc.best_estimator_)

    print("每个超参数每次交叉验证的结果：",gc.cv_results_)


if __name__=="__main__":
    knncls()