当前位置：首页 > article >正文

Python Scikit-learn简介

article 2024/11/24 11:38:49

Scikit-learn概述

在这里插入图片描述
Scikit-learn是一个开源的Python机器学习库，它建立在NumPy、SciPy和Matplotlib之上，提供了大量的机器学习算法和工具，适用于各种机器学习任务，如分类、回归、聚类、降维等。Scikit-learn的设计遵循简洁、一致的API接口，使得用户可以轻松地从数据预处理到模型评估的整个机器学习流程中进行操作。它还提供了丰富的文档和示例，帮助用户快速上手和解决问题。

在这里插入图片描述

Scikit-learn的优点

易用性：Scikit-learn提供了简洁且一致的API，使得即使是初学者也能快速上手。它的文档详尽，示例丰富，有助于用户理解和应用各种算法。
功能全面：Scikit-learn涵盖了广泛的机器学习算法和工具，包括数据预处理、特征工程、模型选择、评估等，满足了大多数机器学习任务的需求。
高效性：Scikit-learn的算法实现经过了优化，能够高效地处理大规模数据集，适合在实际项目中使用。
社区支持：Scikit-learn拥有一个活跃的开发者社区，不断有新的功能和改进被贡献出来，用户可以从中获得帮助和支持。
集成性：Scikit-learn与其他Python科学计算库（如NumPy、Pandas）无缝集成，方便用户在数据分析和机器学习之间进行切换。
开源免费：Scikit-learn是一个开源项目，遵循BSD许可证，用户可以免费使用和修改，适合学术研究和商业项目。

数据集

在这里插入图片描述

数据预处理

标准化：将特征缩放到零均值和单位方差，使用StandardScaler。
归一化：将特征缩放到一个范围（如[0,1]），使用MinMaxScaler。
缺失值处理：使用SimpleImputer填充缺失值。
编码：将分类变量转换为数值形式，使用OneHotEncoder或LabelEncoder。
特征选择：使用SelectKBest等方法选择最重要的特征。

在这里插入图片描述
StandardScaler 是 Python 中 scikit-learn 库提供的一个工具，用于对数据进行标准化处理。标准化（也称为Z-score标准化）是指将特征数据按比例缩放，使其符合标准正态分布，即均值为0，标准差为1。

使用公式 (x - μ) / σ 对每个特征值进行转换，其中 x 是原始特征值，μ 是均值，σ 是标准差

MinMaxScaler是数据预处理中的一种常用方法，主要用于数据的归一化处理。归一化是指将数据按比例缩放，使之落入一个小的特定区间，如[0,1]或[-1,1]
MinMaxScaler通过计算特征列的最小值和最大值来实现归一化，使得不同范围的数据特征具有相似的权重，确保在机器学习模型中各个特征的平等性。

MinMaxScaler的原理很简单，它使用下面的公式进行归一化：

X_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))
X_scaled=X_std*(max-min)+min

SimpleImputer的主要功能是将数据中的缺失值用指定的策略进行填充。这些策略可以是：

均值（mean）：用该列非缺失值的均值来填充缺失值。
中位数（median）：用该列非缺失值的中位数来填充缺失值。
众数（most_frequent）：用该列非缺失值的众数（出现频率最高的值）来填充缺失值。
常数（constant）：用指定的常数来填充缺失值。这个常数可以通过fill_value参数来设置。

填充注意：

数据类型：在使用SimpleImputer之前，需要确保输入的数据类型是符合要求的。例如，如果选择了均值或中位数作为填充策略，那么输入的数据应该是数值型。
缺失值标识：SimpleImputer允许指定缺失值的标识（missing_values参数）。默认情况下，它会将numpy的nan（Not a Number）视为缺失值。但是，也可以设置为其他值，如特定的数字或字符串。
添加指示器：SimpleImputer还提供了一个add_indicator参数，用于在填充缺失值后添加一个指示器列。这个列由0和1组成，0表示原始数据中的非缺失值，1表示被填充的缺失值。这有助于在后续的分析中识别哪些值是原始数据中的，哪些是被填充的。

OneHotEncoder用于将具有多个离散值的特征转换为二进制编码的形式；它将每个离散值转换为一个二进制向量，其中只有一个元素为1，其余元素为0，表示该特征的取值。适用于处理具有多个类别的分类特征。常用于逻辑回归、决策树等机器学习算法中，以处理分类特征。

LabelEncoder用于将分类数据转换为数值标签；它将不同的类别映射到不同的整数值，使得分类数据可以被机器学习算法处理。适用于处理只有两个类别的二分类问题，或需要将多个类别映射为数值标签的场景。

SelectKBest是scikit-learn库中的一个特征选择类，它的主要作用是从一组特征中选择出对目标变量（如分类或回归的输出）影响最大的K个特征。

核心API概览

Scikit-learn的核心API围绕着三个主要组件：

估计器（Estimator）、转换器（Transformer）和预测器（Predictor）。

估计器：所有机器学习模型的基类，提供了fit方法用于训练模型。
转换器：继承自估计器，提供了transform方法用于数据转换，以及fit_transform方法结合了训练和转换。
预测器：继承自估计器，提供了predict方法用于预测新数据，以及score方法用于评估模型性能。

模型评估与选择

模型评估是选择最佳模型的关键步骤。Scikit-learn提供了多种评估工具和指标：

交叉验证：使用cross_val_score或KFold进行模型评估，避免过拟合。
性能指标：提供了多种评估指标，如准确率（accuracy）、精确率（precision）、召回率（recall）、F1分数（F1-score）等。
超参数调优：使用GridSearchCV或RandomizedSearchCV进行超参数优化。
学习曲线和验证曲线：使用learning_curve和validation_curve分析模型性能和泛化能力

交叉验证

交叉验证是一种评估模型泛化能力的技术，通过将数据集分成多个子集，并在不同的子集上训练和验证模型。

from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression

# 加载示例数据
iris = load_iris()
X = iris.data
y = iris.target

# 初始化模型
model = LogisticRegression(max_iter=200)

# 使用K折交叉验证评估模型
scores = cross_val_score(model, X, y, cv=5)

print("Cross-validation scores:", scores)
print("Mean cross-validation score:", scores.mean())

超参数优化

超参数优化是寻找使模型性能最优的超参数组合的过程。Grid Search和Randomized Search是常用的超参数优化方法。

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris

# 加载示例数据
iris = load_iris()
X = iris.data
y = iris.target

# 初始化模型
model = SVC()

# 定义超参数搜索空间
param_grid = {'C': [0.1, 1, 10, 100], 'kernel': ['linear', 'rbf']}

# 使用Grid Search进行超参数优化
grid_search = GridSearchCV(model, param_grid, cv=5)
grid_search.fit(X, y)

print("Best parameters:", grid_search.best_params_)
print("Best score:", grid_search.best_score_)