小白學(xué)數(shù)據(jù)：教你用Python實(shí)現(xiàn)簡單監(jiān)督學(xué)習(xí)算法

萬皇之皇 2018-02-18

展開全文

大數(shù)據(jù)文摘作品

編譯：文明、笪潔瓊、天培

今天，文摘菌想談?wù)劚O(jiān)督學(xué)習(xí)。

監(jiān)督學(xué)習(xí)作為運(yùn)用最廣泛的機(jī)器學(xué)習(xí)方法，一直以來都是從數(shù)據(jù)挖掘信息的重要手段。即便是在無監(jiān)督學(xué)習(xí)興起的近日，監(jiān)督學(xué)習(xí)也依舊是入門機(jī)器學(xué)習(xí)的鑰匙。

這篇監(jiān)督學(xué)習(xí)教程適用于剛?cè)腴T機(jī)器學(xué)習(xí)的小白。

當(dāng)然了，如果你已經(jīng)熟練掌握監(jiān)督學(xué)習(xí)，也不妨快速瀏覽這篇教程，檢驗(yàn)一下自己的理解程度~

什么是監(jiān)督學(xué)習(xí)？

在監(jiān)督學(xué)習(xí)中，我們首先導(dǎo)入包含有訓(xùn)練屬性和目標(biāo)屬性的數(shù)據(jù)集。監(jiān)督學(xué)習(xí)算法會(huì)從數(shù)據(jù)集中學(xué)習(xí)得出訓(xùn)練樣本和其目標(biāo)變量之間的關(guān)系，然后將學(xué)習(xí)到的關(guān)系對(duì)新樣本（未被標(biāo)記的樣本）進(jìn)行分類。

為了闡明監(jiān)督學(xué)習(xí)的工作原理，我們用根據(jù)學(xué)生學(xué)習(xí)時(shí)間預(yù)測(cè)其考試成績的例子來說明。

用數(shù)學(xué)表示，即Y = f(X)+ C，其中

f表示學(xué)生學(xué)習(xí)時(shí)間和考試成績之間的關(guān)系
X表示輸入（學(xué)習(xí)小時(shí)數(shù)）
Y表示輸出（考試分?jǐn)?shù)）
C表示隨機(jī)誤差

監(jiān)督學(xué)習(xí)算法的終極目標(biāo)是給出新的輸入X，使得預(yù)測(cè)結(jié)果Y的準(zhǔn)確率最大。有很多方法可以實(shí)現(xiàn)有監(jiān)督學(xué)習(xí)，我們將探討幾種最常用的方法。

根據(jù)給定的數(shù)據(jù)集，機(jī)器學(xué)習(xí)可以分為兩大類：分類（Classification）和回歸（Regression）。如果給定的數(shù)據(jù)集的輸出值是類別，那么待解決是分類問題。如果給定的數(shù)據(jù)集的輸出值是連續(xù)的，那么該問題是回歸問題。

舉兩個(gè)例子

分類：判斷是貓還是狗。

回歸：房子的售價(jià)是多少？

分類

考慮這樣一個(gè)例子，醫(yī)學(xué)研究員想要分析乳腺癌數(shù)據(jù)，用于預(yù)測(cè)患者使用三種治療方案中的哪一種。該數(shù)據(jù)分析問題就屬于分類問題，通過建立分類模型來預(yù)測(cè)類別標(biāo)簽，例如“治療方案A”、“治療方案B”或者“治療方案C”。

分類是一個(gè)預(yù)測(cè)類別標(biāo)簽的預(yù)測(cè)問題，這些類別標(biāo)簽都是離散和無序的。分類包含兩個(gè)步驟：學(xué)習(xí)步驟和分類步驟。

分類方法和選擇最優(yōu)方法

一些常見的分類算法：

K近鄰
決策樹
樸素貝葉斯
支持向量機(jī)

在學(xué)習(xí)步驟中，分類模型通過分析訓(xùn)練集數(shù)據(jù)建立一個(gè)分類器。在分類步驟中，分類器對(duì)給定的數(shù)據(jù)進(jìn)行分類。用于分析的數(shù)據(jù)集（包含數(shù)據(jù)和其對(duì)應(yīng)的標(biāo)簽）被劃分為訓(xùn)練集和測(cè)試集。訓(xùn)練集從分析用的數(shù)據(jù)集中隨機(jī)抽取。剩下的數(shù)據(jù)集構(gòu)成測(cè)試集。測(cè)試集和訓(xùn)練集相互獨(dú)立，即測(cè)試集中的數(shù)據(jù)不會(huì)被構(gòu)建于分類器。

測(cè)試集用于評(píng)價(jià)分類器的預(yù)測(cè)精度。分類器的精度用測(cè)試集中預(yù)測(cè)正確的百分比表示。為了獲得更高的精度，最好的方法是測(cè)試多個(gè)不同的算法，同時(shí)，對(duì)每個(gè)算法嘗試不同的參數(shù)。可以通過交互檢驗(yàn)選擇最好的算法和參數(shù)。

對(duì)于給定問題，在選取算法時(shí)，算法的精度、訓(xùn)練時(shí)間、線性、參數(shù)數(shù)目以及特殊情況都要考慮在內(nèi)。

在IRIS數(shù)據(jù)集上實(shí)現(xiàn)sklearn中的KNN，并對(duì)給定的輸入進(jìn)行花卉類型分類。

首先，要應(yīng)用機(jī)器學(xué)習(xí)算法，我們需要了解給定數(shù)據(jù)集的組成。在這個(gè)例子中，我們使用內(nèi)置在sklearn包中的IRIS數(shù)據(jù)集?，F(xiàn)在讓我們使用代碼查看IRIS數(shù)據(jù)集。

請(qǐng)確保你的電腦上成功安裝了Python。然后，通過PIP安裝下面這些python庫：

pip install pandas
pip install matplotlib
pip install scikit-learn

在下面這段代碼中，我們使用pandas中的一些方法查看IRIS數(shù)據(jù)集的一些屬性。

from sklearn import datasets
import pandas as pd
import matplotlib.pyplot as plt

# Loading IRIS dataset from scikit-learn object into iris variable.
iris = datasets.load_iris()

# Prints the type/type object of iris
print(type(iris))
# class 'sklearn.datasets.base.Bunch'>

# prints the dictionary keys of iris data
print(iris.keys())

# prints the type/type object of given attributes
print(type(iris.data), type(iris.target))

# prints the no of rows and columns in the dataset
print(iris.data.shape)

# prints the target set of the data
print(iris.target_names)

# Load iris training dataset
X = iris.data

# Load iris target set
Y = iris.target

# Convert datasets' type into dataframe
df = pd.DataFrame(X, columns=iris.feature_names)

# Print the first five tuples of dataframe.
print(df.head())

輸出：

class ‘sklearn.datasets.base.Bunch’> dict_keys([‘data’, ‘target’, ‘target_names’, ‘DESCR’, ‘feature_names’])] class ‘numpy.ndarray’> class ‘numpy.ndarray’> (150, 4) [‘setosa’ ‘versicolor’ ‘virginica’] sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) 0 5.1 3.5 1.4 0.2 1 4.9 3.0 1.4 0.2 2 4.7 3.2 1.3 0.2 3 4.6 3.1 1.5 0.2 4 5.0 3.6 1.4 0.2

Sklearn中的K最近鄰算法

如果一個(gè)算法僅存儲(chǔ)訓(xùn)練集數(shù)據(jù)，并等待測(cè)試集數(shù)據(jù)的給出，那么這個(gè)算法便可認(rèn)為是一個(gè)“懶惰學(xué)習(xí)法”。直到給定測(cè)試集數(shù)據(jù)，它才會(huì)根據(jù)它與存儲(chǔ)的訓(xùn)練集樣本的相似性來對(duì)新樣本進(jìn)行分類。

K近鄰分類器就是一個(gè)懶惰學(xué)習(xí)法。

K近鄰基于類比學(xué)習(xí)，比較一個(gè)測(cè)試樣本和與之相似訓(xùn)練集數(shù)據(jù)。訓(xùn)練集有n個(gè)屬性表征。每個(gè)樣本由n維空間中的一個(gè)點(diǎn)表示。這樣，訓(xùn)練集中的所有樣本都儲(chǔ)存在n維模式空間中。當(dāng)給定一個(gè)未知的樣本，K近鄰分類器在模式空間中搜尋和未知樣本最接近的k個(gè)訓(xùn)練樣本。這k個(gè)訓(xùn)練樣本就是未知樣本的k個(gè)近鄰。

“接近度”用距離來度量，例如歐幾里得距離。較好的K值可以通過實(shí)驗(yàn)確定。

在下面這段代碼中，我們導(dǎo)入KNN分類器，將之應(yīng)用到我們的輸入數(shù)據(jù)中，然后對(duì)花卉進(jìn)行分類。

from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier

# Load iris dataset from sklearn
iris = datasets.load_iris()

# Declare an of the KNN classifier class with the value with neighbors.
knn = KNeighborsClassifier(n_neighbors=6)

# Fit the model with training data and target values
knn.fit(iris['data'], iris['target'])

# Provide data whose class labels are to be predicted
X = [
    [5.9, 1.0, 5.1, 1.8],
    [3.4, 2.0, 1.1, 4.8],
]

# Prints the data provided
print(X)

# Store predicted class labels of X
prediction = knn.predict(X)

# Prints the predicted class labels of X
print(prediction)

輸出：

[1 1]

其中，0，1，2分別代表不同的花。在該例子中，對(duì)于給定的輸入，KNN分類器將它們都預(yù)測(cè)成為1這個(gè)類別的花。

KNN對(duì)IRIS數(shù)據(jù)集分類的直觀可視化

回歸

回歸通常被定義為確定兩個(gè)或多個(gè)變量之間的相關(guān)關(guān)系。例如，你要通過給定的數(shù)據(jù)X預(yù)測(cè)一個(gè)人的收入。這里，目標(biāo)變量是指該變量是我們關(guān)心以及想要預(yù)測(cè)的未知變量，而連續(xù)是指Y的取值沒有間隔。

預(yù)測(cè)收入是一個(gè)經(jīng)典的回歸問題。你的輸入應(yīng)當(dāng)包含所有與收入相關(guān)的個(gè)人信息（比如特征），這些信息可以預(yù)測(cè)收入，例如工作時(shí)長、教育經(jīng)歷、職稱以及他的曾住地等。

回歸模型

一些常見的回歸模型有

線性回歸
邏輯回歸
多項(xiàng)式回歸

線性回歸通過擬合一條直線（回歸線）來建立因變量（Y）與一個(gè)或多個(gè)自變量（X）之間關(guān)系。

用數(shù)學(xué)公示表示，即h(xi) = βo + β1 * xi + e，其中

βo是截距
β1是斜率
e是誤差項(xiàng)

用圖表示，即

邏輯回歸是一種預(yù)測(cè)類別的算法，用于找出特征和特定輸出概率之間關(guān)系。

當(dāng)然了，我們也可以把邏輯回歸歸類為分類算法，但就像我們剛才所說，邏輯回歸的輸出其實(shí)是目標(biāo)對(duì)象屬于某一類別的概率。既然概率是連續(xù)的，我們依舊把邏輯回歸算作回歸算法。

用數(shù)學(xué)公式表示：p(X) = βo + β1 * X，其中p(x) = p(y = 1 | x)

圖形表示為

多項(xiàng)式回歸是一種將自變量x與因變量y的關(guān)系擬合為x的n階多項(xiàng)式的回歸算法。

解決線性回歸問題

我們有數(shù)據(jù)集X，以及對(duì)應(yīng)的目標(biāo)值Y，我們使用普通最小二乘法通過最小化預(yù)測(cè)誤差來擬合線性模型

給定的數(shù)據(jù)集同樣劃分為訓(xùn)練集和測(cè)試集。訓(xùn)練集由已知標(biāo)簽的樣本組成，因此算法能夠通過這些已知標(biāo)簽的樣本來學(xué)習(xí)。測(cè)試集樣本不包含標(biāo)簽，你并不知道你試圖預(yù)測(cè)樣本的標(biāo)簽值。

我們將選擇一個(gè)需要訓(xùn)練的特征，應(yīng)用線性回歸方法擬合訓(xùn)練數(shù)據(jù)，然后預(yù)測(cè)測(cè)試集的輸出。

用Sklearn實(shí)現(xiàn)線性回歸

from sklearn import datasets, linear_model
import matplotlib.pyplot as plt
import numpy as np

# Load the diabetes dataset
diabetes = datasets.load_diabetes()


# Use only one feature for training
diabetes_X = diabetes.data[:, np.newaxis, 2]

# Split the data into training/testing sets
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]

# Split the targets into training/testing sets
diabetes_y_train = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]

# Create linear regression object
regr = linear_model.LinearRegression()

# Train the model using the training sets
regr.fit(diabetes_X_train, diabetes_y_train)

# Input data
print('Input Values')
print(diabetes_X_test)

# Make predictions using the testing set
diabetes_y_pred = regr.predict(diabetes_X_test)

# Predicted Data
print('Predicted Output Values')
print(diabetes_y_pred)

# Plot outputs
plt.scatter(diabetes_X_test, diabetes_y_test, color='black')
plt.plot(diabetes_X_test, diabetes_y_pred, color='red', linewidth=1)

plt.show()

輸入

輸入值：

[
  [ 0.07786339]  [-0.03961813]  [ 0.01103904]  [-0.04069594]  
  [-0.03422907]  [ 0.00564998]  [ 0.08864151]  [-0.03315126] 
  [-0.05686312]  [-0.03099563]  [ 0.05522933]  [-0.06009656]
  [ 0.00133873]  [-0.02345095]  [-0.07410811]  [ 0.01966154]
  [-0.01590626]  [-0.01590626]  [ 0.03906215]  [-0.0730303 ]
  ]

預(yù)測(cè)的輸出值：

[ 
 225.9732401   115.74763374  163.27610621  114.73638965   
 120.80385422  158.21988574  236.08568105  121.81509832  
 99.56772822   123.83758651  204.73711411   96.53399594  
 154.17490936  130.91629517   83.3878227   171.36605897
 137.99500384  137.99500384  189.56845268   84.3990668 
 ]

結(jié)語

提一下常用的監(jiān)督學(xué)習(xí)的python庫

Scikit-Learn
Tensorflow
Pytorch

最后布置一個(gè)作業(yè)：請(qǐng)根據(jù)文章內(nèi)容，用監(jiān)督學(xué)習(xí)推測(cè)一下今天的文摘菌是哪位帥哥小編~

原文鏈接：https:///supervised-learning-with-python-cf2c1ae543c1

【今日機(jī)器學(xué)習(xí)概念】

Have a Great Definition

課程推薦

數(shù)據(jù)科學(xué)實(shí)訓(xùn)營第5期

報(bào)名優(yōu)惠倒計(jì)時(shí)第4天！

優(yōu)秀助教推薦|姜姜

作為一枚對(duì)數(shù)據(jù)分析的理解僅限于Excel的小白，曾經(jīng)一直認(rèn)為通過寫代碼來分析數(shù)據(jù)是件無比高大上的事?？墒?，在文摘的數(shù)據(jù)科學(xué)實(shí)訓(xùn)營居然就實(shí)現(xiàn)了！

手把手的教學(xué)方式，助教和同學(xué)們熱烈的交流討論，讓我慢慢地覺得一行行代碼如此親切。而當(dāng)把自己頭腦中的構(gòu)思通過代碼實(shí)現(xiàn)，看到結(jié)果的那一刻，真是無比激動(dòng)！

經(jīng)過Kaggle、天池的案例的歷練，對(duì)這些數(shù)據(jù)比賽也開始興趣盎然，有沒有小伙伴有興趣一起去玩一玩的？

作為第5期的北美地區(qū)助教，寄語各位學(xué)員：前方高能，請(qǐng)準(zhǔn)備好足夠的時(shí)間，如果你能按時(shí)提交作業(yè)，結(jié)業(yè)時(shí)一定脫胎換骨。

本站是提供個(gè)人知識(shí)管理的網(wǎng)絡(luò)存儲(chǔ)空間，所有內(nèi)容均由用戶發(fā)布，不代表本站觀點(diǎn)。請(qǐng)注意甄別內(nèi)容中的聯(lián)系方式、誘導(dǎo)購買等信息，謹(jǐn)防詐騙。如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請(qǐng)點(diǎn)擊一鍵舉報(bào)。

轉(zhuǎn)藏 分享

QQ空間 QQ好友新浪微博微信

獻(xiàn)花（0） +1

來自：萬皇之皇 > 《IT互聯(lián)》

舉報(bào)/認(rèn)領(lǐng)