Sklearn学习

机器学习主要分为三个大部分：

1.数据预处理

2.训练模型

3.对模型的评估

这三个部分都可以使用sklearn包来实现，在使用sklearn包是需要导入很多种模块，对于不是很熟悉sklearn包的人产生很大困扰，所以这篇文章将简单总结一下sklearn包的使用方法。

数据的预处理

缺失值计算	对缺失值进行填充	from sklearn.impute import SimpleImputer
标准化处理	对数据进行标准化处理	from sklearn.preprocessing import StandardScaler
独热编码	对类别进行数字编码	from sklearn.preprocessing import OneHotEncoder
多项式转换	对数据增加新的特征提高拟合度	from sklearn.preprocessing import PolynomialFeatures

缺失值计算

大部分的机器学习算法无法在缺失的特征上工作，所以我们需要对缺失的特征进行处理。

对缺失值进行处理有以下三种选择

1.舍弃这些缺失值

2.放弃整个属性

3.将缺失值设置为某个值（均值，众数，中位数等）

这里主要讲解一下缺失值填充。

import numpy as np
import pandas as pd
data = {
'size': ['XL','L','M', np.nan ,'M','M'],
'color': ['red','green','blue','green','red','green'],
'gender': ['female','male', np.nan,'female','female','male'],'price': [ 199.0 , 89.0, np.nan,129.0, 79.0, 89.0],
'weight': [ 500,450,300, np.nan, 410,np.nan ],'bought': ['yes','no','yes','no','yes','no']
}
df = pd.DataFrame(data)
print("缺失值个数："，df.isnull().sum())

from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values=np.nan,strategy="mean")//采用平均值对空值进行填充 

df[['weight']] = imputer.fit_transform(df[["weight"]])

print("填充缺失值为：",imputer.statistics_[0])

这样我们最终就将weight列中的缺失值进行了填充,得到如下结果：

填充策略说明：

独热编码

大多数机器学习算法更喜欢使用数字，因此我们需要将文本转换为数字。

data = {
'size': ['XL','L','M', 'L','M'],
'color': ['red','green','blue','green','red'],
'gender': ['female','male', 'male','female','female'],
'price': [ 199.0 , 89.0,99,129.0, 79.0],
'weight': [ 500,450,300, 380, 410 ],
'bought': ['yes','no','yes','no','yes']
}
df=pd.DataFrame(data=data)

# from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import OneHotEncoder

oneHotEncoder =OneHotEncoder(sparse=False)

# oneHotEncoder.fit(df[["size"]])
# print(oneHotEncoder.transform(df[["size"]]))

print(oneHotEncoder.fit_transform(df[["size"]]))
print(oneHotEncoder.categories_)

 这样我们就可以将size属性转换为独热编码的形式，并查看不同位置的1对应的原属性是什么。

输出结果为：

 标准化处理

标准化通过计算训练集中样本的相关统计量（均值和单位方差），存储均值和标准差，对每个特征单独进行中心化和缩放。

数据集的标准化是许多机器学习估计器的一个常见要求。

标准化计算公式为:

from sklearn.preprocessing import StandardScaler
a=StandardScaler()
//**为所需要标准化处理的数据
b=a.fit_transform(**)

多项式转换

对于稍复杂的数据来说肯定是比一条直线要复杂的，但是在使用时仍然可以用线性模型来拟合非线性数据。

一个简单的方法就是将添加每个特征的幂次方作为一个新的特征，然后在此扩征特征集上训练一个线性模型。

观察这个散点图，肯定是线性模型无法拟合的，或者说线性模型拟合的不好，但是通过多项式转换，将原始数据特征的幂次方作为新特征，就可以用线性模型很好的拟合。

import numpy as np
import pandas as pd
from sklearn.preprocessing import PolynomialFeatures
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression
%matplotlib inline
m=100
x=6*np.random.rand(m,1)-3
y=0.5*x**2+x+2+np.random.rand(m,1)
plt.figure(1)
plt.plot(x,y,'.b')
poly_features = PolynomialFeatures(degree=2,include_bias=False)
x_poly=poly_features.fit_transform(x)
lin_reg=LinearRegression()
lin_reg.fit(x_poly,y)
lin_reg.intercept_,lin_reg.coef_

 最终输出结果为：

 意思就是

 当存在多个特征时，多项式回归能够找到特征之间的关系（这是普通线性回归模型无法做到的）。

PolynomialFeatures会将特征的所有组合添加到给定的多项式中。

例如，如果有两个特征a和b，当degree=3的PolynomialFeatures不仅会添加特征还会添加组合

 模型选择

模型	原理	引用	类别	说明
广义线性模型	基于最小二乘	from sklearn.linear_model import LinearRegression	回归
	SGD（随机梯度下降）	from sklearn.linear_model import SGDRegressor	分类/回归	大数据集
	贝叶斯回归	from sklearn.linear_model import BayesianRidge	回归
	Huber Regression	from sklearn.linear_model import HuberRegressor	回归
正则化线性模型	Ridge/岭回归	from sklearn.linear_model import Ridge	回归	在成本函数中加入正则化防止过拟合
正则化线性模型	Lasso	from sklearn.linear_model import Lasso	回归	在成本函数中加入正则化防止过拟合
正则化线性模型	ElasticNet（d性网络）	from sklearn.linear_model import ElasticNet	回归	正则项是ridge和lasso的简单混合
支持向量机	SVR,NuSVR,LinearSVR	from sklearn.svm import SVR,NuSVR,LinearSVR	回归
	SVC,NuSVC,LinearSVC	from sklearn.svm import SVC,NuSVC,LinearSVC	分类
	OneClassSVM	from sklearn.svm import OneClassSVM	异常检测
决策树	Regression	from sklearn.tree import DecisionTreeRegressor	回归
	Classification	from sklearn.tree import DecisionTreeClassifier	分类
集成学习	Bagging	from sklearn.ensemble import BaggingClassifier/BaggingRegressor	分类/回归
	AdaBoost	from sklearn.ensemble import AdaBoostClassifier/AdaBoostRegressor	分类/回归
降维	主成分分析	from sklearn.decomposition import PCA	降维
	增量PCA	from sklearn.decomposition import IncrementalPCA	降维
	内核PCA	from sklearn.decomposition import KernelPCA	降维
	奇异值分解	from sklearn.decomposition import TruncatedSVD	降维
聚类	K-Means	from sklearn.cluster import KMeans
	DBSCAN	from sklearn.cluster import DBSCAN

模型评估与选择

交叉验证	划分数据集（训练集、测试集）	from sklearn.model_selection import train_test_split
	通过交叉验证评估score	from sklearn.model_selection import cross_val_score
调参	网格搜索	from sklearn.model_selection import GridSearchCV
	随机搜索	from sklearn.model_selection import RandomizedSearchCV
验证曲线	验证曲线	from sklearn.model_selection import validation_curve		横轴为某个参数的值，纵轴为模型得分
	学习曲线	from sklearn.model_selection import learning_curve		横轴为训练数据大小，纵轴为模型得分