AI学习---分类算法[K-近邻 + 朴素贝叶斯 + 决策树 + 随机森林 ]

分类算法：对目标值进行分类的算法
    1、sklearn转换器(特征工程)和预估器(机器学习)
    2、KNN算法(根据邻居确定类别 + 欧氏距离 + k的确定)，时间复杂度高，适合小数据
    3、模型选择与调优
    4、朴素贝叶斯算法(假定特征互独立 + 贝叶斯公式(概率计算) + 拉普拉斯平滑系数)，假定独立，对缺失数据不敏感，用于文本分类
    5、决策树(找到最高效的决策顺序--信息增益(关键特征=信息熵-条件熵) + 可以可视化)
    6、随机森林(bootstarp(又放回的抽取) + 特征随机(抽取小特征) + 多个决策树)

sklearn转换器(transfer)与估计器(estimeter)简介

1、转换器 - 特征工程的父类

转换器 - 特征工程的父类
    1、API的实现过程：
        1 实例化 (实例化的是一个转换器类(Transformer))
        2 调用fit_transform(对于文档建立分类词频矩阵，不能同时调用)
    2、sklearn的标准化：
        计算公式：(x - mean) / std
           x: 数据
           mean: 该列的平均值
           std: 标准差
        我们调用fit_transform()实际上发生了2个步骤：
            fit()               计算 每一列的平均值、标准差
            transform()     (x - mean) / std进行最终的转换

# 转换器的实例讲解

import sklearn
# 特征预处理
from sklearn.preprocessing import StandardScaler

def stand_demo():
    data = [[1, 2, 3], [4, 5, 6]]
    # 1、实例化一个类
    std = StandardScaler()
    # 2、调用fit_transform()
    new_data = std.fit_transform(data)

    ''' 

        fit = std.fit(data):  # 已经完成了列的平均值和标准差的计算
            StandardScaler(copy=True, with_mean=True, with_std=True)

        std = std.transform(data): # 根据公式(x - mean) / std进行最终的转换
            [[-1. -1. -1.]
            [ 1.  1.  1.]]

        new_data = std.fit_transform(data):
            [[-1. -1. -1.]
            [ 1.  1.  1.]]
    '''
    print(new_data)

if __name__ == '__main__':
    stand_demo()

2、估计器--sklearn机器学习算法的实现

基于估计器的算法API

估计器的工作流程：

估计器(estimator)
        1 实例化一个estimator
        2 estimator.fit(x_train, y_train)   --> 用于计算

x_train: 训练集的特征值， y_train: 训练集的目标值
                 —— 调用完毕，模型生成
        3 模型评估(有2种方法实现)：
            1）直接比对真实值和预测值
                    y_predict = estimator.predict(x_test)   # x_test: 测试集的特征值, y_predict: 测试集的预测值

y_test == y_predict                           # 对比测试集的预测值(y_predict)与测试集的目标值(y_test)是否一致
            2）计算准确率
                    accuracy = estimator.score(x_test, y_test)  # 传递测试集特征值和测试集目标值进行准确率计算

KNN算法(K-近邻算法)

KNN的核心算法： 通过计算A到邻居(B、C、D、E、F)的距离可以判断A属于哪个类别(区域)。K就是相似特征

距离计算公式：

0、欧式距离

1、曼哈顿距离 （绝对值距离）

2、明可夫斯基距离（基于0和1实现）

K-近邻算法对目标数据的处理：

       无量纲化的处理，即【标准化】(归一化会受到异常数据影响)

如果取的最近的电影数量不一样？会是什么结果？
      k 值取得过小(即1个样本点)，容易受到异常点的影响
      k 值取得过大(即取出多样本)，样本不均衡的影响

K-近邻算法API

KNN算法案例1：鸢尾花种类预测

案例分析：

1. 获取数据(sklearn自带的数据即可)

2. 数据处理(可省略，数据已经处理的很好了，目的是取出不完整的数据)

3. 特征工程

1. 数据集的划分(训练数据 + 测试数据)

2. 特征抽取(可省略，4个特征)

3. 特征预处理(标准化)  --》 训练数据和测试数据都需要

4. 降维(可省略，降维的目的是减少特征，这里就4个特征)

4. KNN预估计流程

5. 模型评估

基于KNN实现鸢尾花的分类完整Demo:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier

def knn_demo():
    '''
      基于KNN实现鸢尾花的分类
    :return:
    '''

    # 1、获取数据
    iris = load_iris()
    print('iris', iris.data.shape)
    # 2、数据划分
    # 结果跟随机数种子random_state有关
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)
    # 3、特征工程： 标准化
    stand_transfer = StandardScaler()
    '''
       原则： 训练集的数据做的操作，测试集也是需要做同样的操作
       实现：
            训练集：
                stand_transfer对训练集进行了fit()和transfer(),即fit用于计算平均值和标准差，tranfer用于公式计算
            测试集：
                stand_transfer对训练集进行了transfer()，即用训练集求出来的平均值和标准差进行最后的公式计算(标准化)
                如果对测试集用了fit_tranform(),即对测试集测试的仅仅是自己的数据内容，与训练内容无关
    '''
    x_train = stand_transfer.fit_transform(x_train)  # 要对训练标准化
    print('x_train', x_train.shape)
    x_test = stand_transfer.transform(x_test)  # 用训练集的平均值和标准差对测试集进行标准化
    print('x_test', x_test.shape)

    # 4、KNN算法评估器
    knn_estimater = KNeighborsClassifier(n_neighbors=3) # 邻居数量，默认是5
    knn_estimater.fit(x_train, y_train)   # 训练完成，产生模型；x_train: 训练集的特征值， y_train: 训练集的目标值

    # 5、模型评估
    # 方法1；直接对比真实值和预测值
    y_predict = knn_estimater.predict(x_test)
    print('y_predict', y_predict)
    print('真实值和预测值：', y_predict == y_test)

    # 方法2：计算准确率
    score = knn_estimater.score(x_test, y_test) # 传递测试集特征值和测试集目标值进行准确率计算
    print('准确率：',score)
    return  None

if __name__ == '__main__':
    knn_demo()

KNN算法总结

附： 我们可以利用【模型与调优】进行K的确定

模型选择与调优

模型选择与调优的方案：

1、交叉验证(Cross Validate)

2、超参数搜索 –> 网格搜索(Grid Search)

方案一：交叉验证（cross validate, 即有限数据多次验证，被评估的模型更加可信）

方案二：超参数搜索--网格搜索(Grid Search)

模型选择与调优API

    说明：GridSearchCV实际上也是一个评估器，用法与上面相同

基于KNN实现鸢尾花的分类,添加网格搜索和交叉验证，用于确定最优的K值完整Demo:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier

def knn_gridSearch_demo():
    '''
      基于KNN实现鸢尾花的分类,添加网格搜索和交叉验证，用于确定最优的K值
    :return:
    '''

    # 1、获取数据
    iris = load_iris()
    print('iris', iris.data.shape)
    # 2、数据划分
    # 结果跟随机数种子random_state有关
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=3)
    # 3、特征工程： 标准化
    stand_transfer = StandardScaler()
    '''
       原则： 训练集的数据做的操作，测试集也是需要做同样的操作
       实现：
            训练集：
                stand_transfer对训练集进行了fit()和transfer(),即fit用于计算平均值和标准差，tranfer用于公式计算
            测试集：
                stand_transfer对训练集进行了transfer()，即用训练集求出来的平均值和标准差进行最后的公式计算(标准化)
                如果对测试集用了fit_tranform(),即对测试集测试的仅仅是自己的数据内容，与训练内容无关
    '''
    x_train = stand_transfer.fit_transform(x_train)  # 要对训练标准化
    print('x_train', x_train.shape)
    x_test = stand_transfer.transform(x_test)  # 用训练集的平均值和标准差对测试集进行标准化
    print('x_test', x_test.shape)

    # 4、KNN算法评估器
    knn_estimater = KNeighborsClassifier()

    # 5、加入网格搜索与交叉验证
    param_dict = {"n_neighbors": [1, 3, 5, 7, 9, 11]}  # 这里只能是字典
    '''
        estimator : estimator object.
        param_grid : dict or list of dictionaries
    '''
    knn_estimater = GridSearchCV(estimator=knn_estimater, param_grid=param_dict, cv=10)
    knn_estimater.fit(x_train, y_train)  # 训练完成，产生模型；x_train: 训练集的特征值， y_train: 训练集的目标值

    # 6、模型评估
    # 方法1；直接对比真实值和预测值
    y_predict = knn_estimater.predict(x_test)
    print('y_predict', y_predict)
    print('真实值和预测值：', y_predict == y_test)

    # 方法2：计算准确率
    score = knn_estimater.score(x_test, y_test)  # 传递测试集特征值和测试集目标值进行准确率计算
    print('准确率：', score)

    # 最佳参数：best_params
    print("最佳参数：\n", knn_estimater.best_params_)
    # 最佳结果：best_score_
    print("最佳结果：\n", knn_estimater.best_score_)
    # 最佳估计器：best_estimator_
    print("最佳估计器:\n", knn_estimater.best_estimator_)
    # 交叉验证结果：cv_results_
    print("交叉验证结果:\n", knn_estimater.cv_results_)

    return None

if __name__ == '__main__':
    knn_gridSearch_demo()

拓展：

Facebook的预测签到位置案例：

Facebook的预测签Demo

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier

def facebook_demo():
    # 1、获取数据
    data = pd.read_csv("F:\instacart\\train.csv")

    # 2、基本的数据处理
    # 1）缩小数据范围
    data = data.query("x < 3 & x > 2 & y < 3 & y > 2")
    # 2）处理时间特征
    time_value = pd.to_datetime(data["time"], unit="s")
    date = pd.DatetimeIndex(time_value)
    data["day"] = date.day
    data["weekday"] = date.weekday
    data["hour"] = date.hour

    # 3）过滤签到次数少的地点
    place_count = data.groupby("place_id").count()["row_id"]  # 仅仅显示place_id的签到次数和row_id信息
    # data_final --> pandas.core.frame.DataFrame类型
    data_final = data[data["place_id"].isin(place_count[place_count > 3].index.values)]  # 过滤出来次数大于3的数据

    # 4)筛选特征值和目标值
    x = data_final[["x", "y", "accuracy", "day", "weekday", "hour"]]
    y = data_final["place_id"]

    # 5)数据集划分
    x_train, x_test, y_train, y_test = train_test_split(x, y)  # 传入特征值和目标值

    # 3、特征工程：标准化
    stand_transfer = StandardScaler()
    x_train = stand_transfer.fit_transform(x_train)  # 要对训练标准化
    print('x_train', x_train.shape)
    x_test = stand_transfer.transform(x_test)  # 用训练集的平均值和标准差对测试集进行标准化
    print('x_test', x_test.shape)

    # 4、KNN算法评估器
    knn_estimater = KNeighborsClassifier()

    # 5、加入网格搜索与交叉验证
    param_dict = {"n_neighbors": [1, 3, 5]}  # 这里只能是字典
    '''
        estimator : estimator object.
        param_grid : dict or list of dictionaries
    '''
    knn_estimater = GridSearchCV(estimator=knn_estimater, param_grid=param_dict, cv=5)
    knn_estimater.fit(x_train, y_train)  # 训练完成，产生模型；x_train: 训练集的特征值， y_train: 训练集的目标值

    # 6、模型评估
    # 方法1；直接对比真实值和预测值
    y_predict = knn_estimater.predict(x_test)
    print('y_predict', y_predict)
    print('真实值和预测值：', y_predict == y_test)

    # 方法2：计算准确率
    score = knn_estimater.score(x_test, y_test)  # 传递测试集特征值和测试集目标值进行准确率计算
    print('准确率：', score)

    # 最佳参数：best_params
    print("最佳参数：\n", knn_estimater.best_params_)
    # 最佳结果：best_score_
    print("最佳结果：\n", knn_estimater.best_score_)
    # 最佳估计器：best_estimator_
    print("最佳估计器:\n", knn_estimater.best_estimator_)
    # 交叉验证结果：cv_results_
    print("交叉验证结果:\n", knn_estimater.cv_results_)

    return None

if __name__ == '__main__':
    facebook_demo()

朴素贝叶斯算法

概率(Probability)：

联合概率、条件概率与相互独立
    联合概率：包含多个条件，且所有条件同时成立的概率
    条件概率：就是事件A在另外一个事件B已经发生条件下的发生概率
    相互独立:  P(A, B) = P(A)P(B) <=> 事件A与事件B相互独立
朴素：
   假设：特征与特征之间是相互独立

朴素贝叶斯算法：     朴素 + 贝叶斯
应用场景：
    文本分类
    单词作为特征

概率

朴素贝叶斯

拉普拉斯平滑系数

朴素贝叶斯API(naive表示朴素的意思)

20类新闻分类DEMO

案例分析：20类新闻分类(sklean会从官网下载数据，约14M)
        1）获取数据
        2）划分数据集
        3）特征工程  -->文本特征抽取(TF-IDF)
        4）朴素贝叶斯预估器流程
        5）模型评估

from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB

def nb_news():
    """
    用朴素贝叶斯算法对新闻进行分类
    :return:
    """
    # 1）获取数据
    news = fetch_20newsgroups(subset="all")

    # 2）划分数据集
    x_train, x_test, y_train, y_test = train_test_split(news.data, news.target)

    # 3）特征工程：文本特征抽取-tfidf
    transfer = TfidfVectorizer()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)

    # 4）朴素贝叶斯算法预估器流程
    estimator = MultinomialNB()
    estimator.fit(x_train, y_train)

    # 5）模型评估
    # 方法1：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接比对真实值和预测值:\n", y_test == y_predict)

    # 方法2：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    return None

if __name__ == '__main__':
    nb_news()

决策树

简单讲，决策树就是我们Py语言中的if-elif-else语句，通过对特征的先后顺序进行选择，从而达到高效的决策

决策树的原理

信息论基础
        1）信息(香农定义) ：消除随机不定性的东西
                小明 年龄 “我今年18岁” - 信息
                小华 ”小明明年19岁” - 不是信息
        2）信息的衡量 –》 信息量 -》 信息熵
            信息的单位：比特(bit)
            g(D,A) = H(D) - 条件熵H(D|A)
        4 决策树的划分依据之一------信息增益

决策树的API

案例一： 鸢尾花决策树demo –> 结果表明KNN算法更好

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, export_graphviz

def decision_iris():
    """
        用决策树对鸢尾花进行分类
        :return:
        """
    # 1）获取数据集
    iris = load_iris()

    # 2）划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)

    # 3）决策树预估器
    estimator = DecisionTreeClassifier(criterion="entropy")
    estimator.fit(x_train, y_train)

    # 4）模型评估
    # 方法1：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接比对真实值和预测值:\n", y_test == y_predict)

    # 方法2：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    # 可视化决策树
    export_graphviz(estimator, out_file="iris_tree.dot", feature_names=iris.feature_names)

    return None

if __name__ == '__main__':
    decision_iris()

可视化：

案例二：泰坦尼克号乘客生存预测

流程分析：获取特征值&目标值
    1）获取数据
    2）数据处理
        缺失值处理
        特征值 -> 字典类型
    3）准备好特征值 目标值
    4）划分数据集
    5）特征工程：字典特征抽取
    6）决策树预估器流程
    7）模型评估

import pandas as pd

def titanic_demo():
    # 1、获取数据
    path = "http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt"
    # titanic = pd.read_csv("F:\instacart\\titanic_demo.txt")  # 小数据，仅部分
    titanic = pd.read_csv(path)  # 大数据
    # 筛选特征值和目标值
    x = titanic[["pclass", "age", "sex"]]
    y = titanic["survived"]

    # 2、数据处理
    # 1）缺失值处理
    x["age"].fillna(x["age"].mean(), inplace=True)  # 填补平均值，inplace表示填补数据到原数据
    # 2) 转换成字典
    x = x.to_dict(orient="records")  # x代表dataform, orient=”record”代表json格式
    from sklearn.model_selection import train_test_split

    # 3、数据集划分
    x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22)

    # 4、字典特征抽取
    from sklearn.feature_extraction import DictVectorizer
    from sklearn.tree import DecisionTreeClassifier, export_graphviz
    transfer = DictVectorizer()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    # 3）决策树预估器
    estimator = DecisionTreeClassifier(criterion="entropy", max_depth=8)
    estimator.fit(x_train, y_train)

    # 4）模型评估
    # 方法1：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接比对真实值和预测值:\n", y_test == y_predict)

    # 方法2：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    # 可视化决策树
    export_graphviz(estimator, out_file="titanic_tree.dot", feature_names=transfer.get_feature_names())

if __name__ == '__main__':
    titanic_demo()

随机森林

随机森林原理过程
    训练集： N个样本，包含特征值+目标值
    特征值： M个特征
    随机 = 两个随机(训练随机 + 特征随机)
        1、训练集随机  --》 从N个样本中随机有放回的抽样N个
            bootstrap(随机有放回抽样)
         假设有原始数据集合：[1, 2, 3, 4, 5]，第一次抽取到了2，然后放回原数据集，抽到下一个数字还是2，放回后下个是3，以此类推，产生新的树的训练集[2, 2, 3, 1, 5]

2、特征随机 - 从M个特征中随机抽取m个特征
            M >> m(M远远大于m)，相当于我们之前的【降维】，特征数量减少了，

随机森林的API

随机森林-泰坦尼克号demo

import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier, export_graphviz
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

def random_tree_titanic_demo():
    # 1、获取数据
    path = "http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt"
    titanic = pd.read_csv("F:\instacart\\titanic_demo.txt")  # 小数据，仅部分
    # titanic = pd.read_csv(path)  # 大数据
    # 筛选特征值和目标值
    x = titanic[["pclass", "age", "sex"]]
    y = titanic["survived"]

    # 2、数据处理
    # 1）缺失值处理
    x["age"].fillna(x["age"].mean(), inplace=True)
    # 2) 转换成字典
    x = x.to_dict(orient="records")
    from sklearn.model_selection import train_test_split
    # 3、数据集划分
    x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22)
    # 4、字典特征抽取

    transfer = DictVectorizer()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)
    # 3）决策树预估器
    estimator = RandomForestClassifier()
    # 加入网格搜索与交叉验证
    # 参数准备
    param_dict = {"n_estimators": [120, 200, 300, 500, 800, 1200], "max_depth": [5, 8, 15, 25, 30]}
    estimator = GridSearchCV(estimator, param_grid=param_dict, cv=3)
    estimator.fit(x_train, y_train)

    # 5）模型评估
    # 方法1：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接比对真实值和预测值:\n", y_test == y_predict)

    # 方法2：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    # 最佳参数：best_params_
    print("最佳参数：\n", estimator.best_params_)
    # 最佳结果：best_score_
    print("最佳结果：\n", estimator.best_score_)
    # 最佳估计器：best_estimator_
    print("最佳估计器:\n", estimator.best_estimator_)
    # 交叉验证结果：cv_results_
    print("交叉验证结果:\n", estimator.cv_results_)

if __name__ == '__main__':
    random_tree_titanic_demo()

其他

资料链接：https://pan.baidu.com/s/1apbuwSIfSx7OqcFS9KqVBg
提取码：lvaq