在機器學習和數據挖掘的應用中，scikit-learn是一個功能強大的python包。在數據量不是過大的情況下，可以解決大部分問題。學習使用scikit-learn的過程中，我自己也在補充着機器學習和數據挖掘的知識。這裏根據自己學習sklearn的經驗，我做一個總結的筆記。另外，我也想把這篇筆記一直更新下去。

作者：Cer_ml
鏈接：http://www.jianshu.com/p/516f009c0875
來源：簡書

著作權歸作者所有。商業轉載請聯繫作者獲得授權，非商業轉載請註明出處。

1 scikit-learn基礎介紹

1.1 估計器（Estimator）

估計器，很多時候可以直接理解成分類器，主要包含兩個函數：

fit()：訓練算法，設置內部參數。接收訓練集和類別兩個參數。
predict()：預測測試集類別，參數爲測試集。
大多數scikit-learn估計器接收和輸出的數據格式均爲numpy數組或類似格式。

1.2 轉換器（Transformer）

轉換器用於數據預處理和數據轉換，主要是三個方法：

fit()：訓練算法，設置內部參數。
transform()：數據轉換。
fit_transform()：合併fit和transform兩個方法。

1.3 流水線（Pipeline）

sklearn.pipeline包

流水線的功能：

跟蹤記錄各步驟的操作（以方便地重現實驗結果）
對各步驟進行一個封裝
確保代碼的複雜程度不至於超出掌控範圍

基本使用方法

流水線的輸入爲一連串的數據挖掘步驟，其中最後一步必須是估計器，前幾步是轉換器。輸入的數據集經過轉換器的處理後，輸出的結果作爲下一步的輸入。最後，用位於流水線最後一步的估計器對數據進行分類。
每一步都用元組（ ‘名稱’，步驟）來表示。現在來創建流水線。

scaling_pipeline = Pipeline([
  ('scale', MinMaxScaler()),
  ('predict', KNeighborsClassifier())
])

1.4 預處理

主要在sklearn.preprcessing包下。

規範化：

MinMaxScaler :最大最小值規範化
Normalizer :使每條數據各特徵值的和爲1
StandardScaler :爲使各特徵的均值爲0，方差爲1

編碼：

LabelEncoder ：把字符串類型的數據轉化爲整型
OneHotEncoder ：特徵用一個二進制數字來表示
Binarizer :爲將數值型特徵的二值化
MultiLabelBinarizer：多標籤二值化

1.5 特徵

1.5.1 特徵抽取

包：sklearn.feature_extraction
特徵抽取是數據挖掘任務最爲重要的一個環節，一般而言，它對最終結果的影響要高過數據挖掘算法本身。只有先把現實用特徵表示出來，才能藉助數據挖掘的力量找到問題的答案。特徵選擇的另一個優點在於：降低真實世界的複雜度，模型比現實更容易操縱。
一般最常使用的特徵抽取技術都是高度針對具體領域的，對於特定的領域，如圖像處理，在過去一段時間已經開發了各種特徵抽取的技術，但這些技術在其他領域的應用卻非常有限。

DictVectorizer：將dict類型的list數據，轉換成numpy array
FeatureHasher ：特徵哈希，相當於一種降維技巧
image：圖像相關的特徵抽取
text：文本相關的特徵抽取
text.CountVectorizer：將文本轉換爲每個詞出現的個數的向量
text.TfidfVectorizer：將文本轉換爲tfidf值的向量
text.HashingVectorizer：文本的特徵哈希

CountVectorize只數出現個數

1.5.2 特徵選擇

包：sklearn.feature_selection
特徵選擇的原因如下：
(1)降低複雜度
(2)降低噪音
(3)增加模型可讀性

VarianceThreshold：刪除特徵值的方差達不到最低標準的特徵
SelectKBest：返回k個最佳特徵
SelectPercentile：返回表現最佳的前r%個特徵

單個特徵和某一類別之間相關性的計算方法有很多。最常用的有卡方檢驗（χ2）。其他方法還有互信息和信息熵。

chi2：卡方檢驗（χ2）

1.6 降維

包：sklearn.decomposition

主成分分析算法（Principal Component Analysis， PCA）的目的是找到能用較少信息描述數據集的特徵組合。它意在發現彼此之間沒有相關性、能夠描述數據集的特徵，確切說這些特徵的方差跟整體方差沒有多大差距，這樣的特徵也被稱爲主成分。這也就意味着，藉助這種方法，就能通過更少的特徵捕獲到數據集的大部分信息。

1.7 組合

包：sklearn.ensemble
組合技術即通過聚集多個分類器的預測來提高分類準確率。
常用的組合分類器方法：
(1)通過處理訓練數據集。即通過某種抽樣分佈，對原始數據進行再抽樣，得到多個訓練集。常用的方法有裝袋（bagging）和提升（boosting）。
(2)通過處理輸入特徵。即通過選擇輸入特徵的子集形成每個訓練集。適用於有大量冗餘特徵的數據集。隨機森林（Random forest）就是一種處理輸入特徵的組合方法。
(3)通過處理類標號。適用於多分類的情況，將類標號隨機劃分成兩個不相交的子集，再把問題變爲二分類問題，重複構建多次模型，進行分類投票。

BaggingClassifier： Bagging分類器組合
BaggingRegressor： Bagging迴歸器組合
AdaBoostClassifier： AdaBoost分類器組合
AdaBoostRegressor： AdaBoost迴歸器組合
GradientBoostingClassifier：GradientBoosting分類器組合
GradientBoostingRegressor： GradientBoosting迴歸器組合
ExtraTreeClassifier：ExtraTree分類器組合
ExtraTreeRegressor： ExtraTree迴歸器組合
RandomTreeClassifier：隨機森林分類器組合
RandomTreeRegressor：隨機森林迴歸器組合

使用舉例

AdaBoostClassifier(DecisionTreeClassifier(max_depth=1),
algorithm="SAMME",
n_estimators=200)

解釋
裝袋（bagging）：根據均勻概率分佈從數據集中重複抽樣（有放回），每個自助樣本集和原數據集一樣大，每個自助樣本集含有原數據集大約63%的數據。訓練k個分類器，測試樣本被指派到得票最高的類。
提升（boosting）：通過給樣本設置不同的權值，每輪迭代調整權值。不同的提升算法之間的差別，一般是（1）如何更新樣本的權值，（2）如何組合每個分類器的預測。其中Adaboost中，樣本權值是增加那些被錯誤分類的樣本的權值，分類器C_i的重要性依賴於它的錯誤率。
Boosting主要關注降低偏差，因此Boosting能基於泛化性能相當弱的學習器構建出很強的集成；Bagging主要關注降低方差，因此它在不剪枝的決策樹、神經網絡等學習器上效用更爲明顯。偏差指的是算法的期望預測與真實預測之間的偏差程度，反應了模型本身的擬合能力；方差度量了同等大小的訓練集的變動導致學習性能的變化，刻畫了數據擾動所導致的影響。

.8 模型評估（度量）

包：sklearn.metrics
sklearn.metrics包含評分方法、性能度量、成對度量和距離計算。
分類結果度量
參數大多是y_true和y_pred。

accuracy_score：分類準確度
condusion_matrix ：分類混淆矩陣
classification_report：分類報告
precision_recall_fscore_support：計算精確度、召回率、f、支持率
jaccard_similarity_score：計算jcaard相似度
hamming_loss：計算漢明損失
zero_one_loss：0-1損失
hinge_loss：計算hinge損失
log_loss：計算log損失

其中，F1是以每個類別爲基礎進行定義的，包括兩個概念：準確率（precision）和召回率（recall）。準確率是指預測結果屬於某一類的個體，實際屬於該類的比例。召回率是被正確預測爲某類的個體，與數據集中該類個體總數的比例。F1是準確率和召回率的調和平均數。

迴歸結果度量

explained_varicance_score：可解釋方差的迴歸評分函數
mean_absolute_error：平均絕對誤差
mean_squared_error：平均平方誤差

多標籤的度量

coverage_error：涵蓋誤差
label_ranking_average_precision_score：計算基於排名的平均誤差Label ranking average precision (LRAP)

聚類的度量

adjusted_mutual_info_score：調整的互信息評分
silhouette_score：所有樣本的輪廓係數的平均值
silhouette_sample：所有樣本的輪廓係數

1.9 交叉驗證

包：sklearn.cross_validation

KFold：K-Fold交叉驗證迭代器。接收元素個數、fold數、是否清洗
LeaveOneOut：LeaveOneOut交叉驗證迭代器
LeavePOut：LeavePOut交叉驗證迭代器
LeaveOneLableOut：LeaveOneLableOut交叉驗證迭代器
LeavePLabelOut：LeavePLabelOut交叉驗證迭代器

LeaveOneOut(n) 相當於 KFold(n, n_folds=n) 相當於LeavePOut(n, p=1)。
LeaveP和LeaveOne差別在於leave的個數，也就是測試集的尺寸。LeavePLabel和LeaveOneLabel差別在於leave的Label的種類的個數。
LeavePLabel這種設計是針對可能存在第三方的Label，比如我們的數據是一些季度的數據。那麼很自然的一個想法就是把1,2,3個季度的數據當做訓練集，第4個季度的數據當做測試集。這個時候只要輸入每個樣本對應的季度Label，就可以實現這樣的功能。
以下是實驗代碼，儘量自己多實驗去理解。

#coding=utf-8
import numpy as np
import sklearnfrom sklearn
import cross_validation
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8],[9, 10]])
y = np.array([1, 2, 1, 2, 3])
def show_cross_val(method):    
  if method == "lolo":        
    labels = np.array(["summer", "winter", "summer", "winter", "spring"])        
    cv = cross_validation.LeaveOneLabelOut(labels)          
  elif method == 'lplo':        
    labels = np.array(["summer", "winter", "summer", "winter", "spring"])        
    cv = cross_validation.LeavePLabelOut(labels,p=2)    
  elif method == 'loo':        
    cv = cross_validation.LeaveOneOut(n=len(y))    
  elif method == 'lpo':        
    cv = cross_validation.LeavePOut(n=len(y),p=3)    
  for train_index, test_index in cv:        
    print("TRAIN:", train_index, "TEST:", test_index)        
    X_train, X_test = X[train_index], X[test_index]        
    y_train, y_test = y[train_index], y[test_index]        
    print "X_train: ",X_train        
    print "y_train: ", y_train        
    print "X_test: ",X_test        
    print "y_test: ",y_test
if __name__ == '__main__':    
  show_cross_val("lpo")

常用方法

train_test_split：分離訓練集和測試集（不是K-Fold）
cross_val_score：交叉驗證評分，可以指認cv爲上面的類的實例
cross_val_predict：交叉驗證的預測。

1.10 網格搜索

包：sklearn.grid_search
網格搜索最佳參數

GridSearchCV：搜索指定參數網格中的最佳參數
ParameterGrid：參數網格
ParameterSampler：用給定分佈生成參數的生成器
RandomizedSearchCV：超參的隨機搜索
通過best_estimator_.get_params()方法，獲取最佳參數。

1.11 多分類、多標籤分類

包：sklearn.multiclass

OneVsRestClassifier：1-rest多分類（多標籤）策略
OneVsOneClassifier：1-1多分類策略
OutputCodeClassifier：1個類用一個二進制碼錶示
示例代碼

示例代碼

#coding=utf-8
from sklearn import metrics
from sklearn import cross_validation
from sklearn.svm import SVC
from sklearn.multiclass import OneVsRestClassifier
from sklearn.preprocessing import MultiLabelBinarizer
import numpy as np
from numpy import random
X=np.arange(15).reshape(5,3)
y=np.arange(5)
Y_1 = np.arange(5)
random.shuffle(Y_1)
Y_2 = np.arange(5)
random.shuffle(Y_2)
Y = np.c_[Y_1,Y_2]
def multiclassSVM():
  X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=0.2,random_state=0)
  model = OneVsRestClassifier(SVC())
  model.fit(X_train, y_train)
  predicted = model.predict(X_test)
  print predicted
def multilabelSVM():
  Y_enc = MultiLabelBinarizer().fit_transform(Y)
  X_train, X_test, Y_train, Y_test = cross_validation.train_test_split(X, Y_enc, test_size=0.2, random_state=0)
  model = OneVsRestClassifier(SVC())
  model.fit(X_train, Y_train)
  predicted = model.predict(X_test)
  print predicted
if __name__ == '__main__':
  multiclassSVM()
  # multilabelSVM()

上面的代碼測試了svm在OneVsRestClassifier的包裝下，分別處理多分類和多標籤的情況。特別注意，在多標籤的情況下，輸入必須是二值化的。所以需要MultiLabelBinarizer()先處理。

2 具體模型

2.1 樸素貝葉斯（Naive Bayes）

包：sklearn.cross_validation

樸素貝葉斯.png

樸素貝葉斯的特點是分類速度快，分類效果不一定是最好的。

GasussianNB：高斯分佈的樸素貝葉斯
MultinomialNB：多項式分佈的樸素貝葉斯
BernoulliNB：伯努利分佈的樸素貝葉斯

所謂使用什麼分佈的樸素貝葉斯，就是假設P(x_i|y)是符合哪一種分佈，比如可以假設其服從高斯分佈，然後用最大似然法估計高斯分佈的參數。

高斯分佈.png

多項式分佈.png

伯努利分佈.png

3 scikit-learn擴展

3.0 概覽

具體的擴展，通常要繼承sklearn.base包下的類。

BaseEstimator：估計器的基類
ClassifierMixin ：分類器的混合類
ClusterMixin：聚類器的混合類
RegressorMixin ：迴歸器的混合類
TransformerMixin ：轉換器的混合類

關於什麼是Mixin（混合類），具體可以看這個知乎鏈接。簡單地理解，就是帶有實現方法的接口，可以將其看做是組合模式的一種實現。舉個例子，比如說常用的TfidfTransformer，繼承了BaseEstimator， TransformerMixin，因此它的基本功能就是單一職責的估計器和轉換器的組合。

3.1 創建自己的轉換器

在特徵抽取的時候，經常會發現自己的一些數據預處理的方法，sklearn裏可能沒有實現，但若直接在數據上改，又容易將代碼弄得混亂，難以重現實驗。這個時候最好自己創建一個轉換器，在後面將這個轉換器放到pipeline裏，統一管理。
例如《Python數據挖掘入門與實戰》書中的例子，我們想接收一個numpy數組，根據其均值將其離散化，任何高於均值的特徵值替換爲1，小於或等於均值的替換爲0。

代碼實現：

from sklearn.base import TransformerMixin
from sklearn.utils import as_float_array

class MeanDiscrete(TransformerMixin):

  #計算出數據集的均值，用內部變量保存該值。  
  def fit(self, X, y=None):
        X = as_float_array(X)
        self.mean = np.mean(X, axis=0)
        #返回self，確保在轉換器中能夠進行鏈式調用（例如調用transformer.fit(X).transform(X)）
        return self

    def transform(self, X):
        X = as_float_array(X)
        assert X.shape[1] == self.mean.shape[0]
        return X > self.mean

zhaoyuxia517

發佈了10 篇原創文章 · 獲贊 67 · 訪問量 21萬+

私信關注

Scikit-learn使用總結