当前位置：首页 > article >正文

＜＜机器学习实战＞＞27-30节笔记：sklearn使用方法

article 2024/11/13 18:45:18

第六章sklearn使用方法及机器学习调参

sklearn核心对象类型是评估器estimator，比如线性回归评估器linearregression是包含在skelearn包的linear_model模块下，调用方法

from sklearn.linear_model import LinearRegression

用model=LinearRegression()来进行实例化

然后定义xy，model.fit(x,y)即可训练出一个评估器

model.coef_可以查看系数

model.intercept_ 查看截距

用MSE方法计算方差：

from sklearn.metrics import mean_squared_error

mean_squared_error(model.predict(x),y)

查看超参数

LinearRegression?

具体的超参数：

fit_intecept:是否构建带有截距项的方程，默认为是

normalize:是否正则化处理

copy_x：建模时是否带入训练数据的副本

model.get_params()#获得目前超参数情况

sklearn自带数据集导入from sklearn.datasets import load_iris

Iris_data.data[:10] 读取数据

3.数据集切分（切分为训练集和测试集）：

from sklearn.model_selection import train_test_split

train_test_split(x,y,random_state=42)

4.数据归一化与标准化

标准化：

x=np.arange(9).reshape(3,3)

preprocessing.scale(x)

得到结果：

array([[-1.22474487, -1.22474487, -1.22474487],

[ 0. , 0. , 0. ],

[ 1.22474487, 1.22474487, 1.22474487]])

但这个方法不常用，一般是在训练集上算出均值和标准差，再用到测试集上。使用评估器进行数据标准化，就可以构成机器学习工作流,z-score标准化（将数据缩放到均值为0，方差为1的区间里）具体代码如下：

from sklearn.preprocessing import StandardScaler

# In[44]:

scaler=StandardScaler()

# In[45]:

x_train,x_test=train_test_split(x)

# In[46]:

scaler.fit(x_train)

# In[47]:

scaler.transform(x_train)

# In[48]:

scaler.transform(x_test)

简便写法：

Scaler.fit_transform(x_train)

scaler.transform(x_test)

若是0-1标准化（缩放到0,1间）则为MinMaxScaler

归一化：

将一行数据统一除以一范数（和）或者二范数（平方和开更）的过程，具体操作如下

from sklearn.preprocessing import Normalizer

normalize=Normalizer(norm=’l1’)

normalize.fit_transform(x)

结果为：

array([[0. , 0.33333333, 0.66666667],

[0.25 , 0.33333333, 0.41666667],

[0.28571429, 0.33333333, 0.38095238]])

尝试使用逻辑回归评估器

注意：sklearn中逻辑回归评估器默认参数下就支持进行多分类问题判别。并且采用MvM

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
x,y=load_iris(return_X_y=True)
clf_test=LogisticRegression(max_iter=1000)
clf_test.fit(x,y)
#看系数
clf_test.coef_
clf_test.predict(x)[:10]
clf_test.score(x,y)