文章目录
一、K-近邻算法1.定义2.计算距离公式3.sklearn k-近邻算法API4.K-近邻算法实例-预测入住位置5.通过k-近邻算法对生物物种进行分类——鸢尾花(load_iris)6.k-近邻算法优缺点二、朴素贝叶斯算法1.概率基础2.朴素贝叶斯原理介绍-特征相互独立(条件独立)3.朴素贝叶斯算法案例-sklearn20类新闻分类4.朴素贝叶斯算法的优缺点三、分类模型评估1.概念2.分类模型评估API3.案例四、模型的选择与调优1.交差验证2.网格搜索-调超参数1）超参数搜索-网格搜索API2）K-近邻算法调优 交叉验证与网格搜索一、K-近邻算法
1.定义
定义：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
通俗来说，就是根据你的邻居来推断你的类别
来源：KNN算法最早是由Cover和Hart提出的一种分类算法
2.计算距离公式
两个样本的距离可以通过如下公式计算，又叫欧式距离比如说，a(a1,a2,a3),b(b1,b2,b3)√((a1-b1)^2+(a2-b2)^2+(a3-b3)^2 )相似的样本，特征值应该是相近的K-近邻算法需要对数据作标准化处理
3.sklearn k-近邻算法API
sklearn k-近邻算法APIsklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')# 参数n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用 BallTree，‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)
4.K-近邻算法实例-预测入住位置
实例流程：1、数据集的处理2、分割数据集3、对数据集进行标准化4、estimator流程进行分类预测数据的处理-由于数据过大，做如下处理1、缩小数据集范围DataFrame.query()2、处理日期数据pd.to_datetimepd.DatetimeIndex3、增加分割的日期数据4、删除没用的日期数据pd.drop5、将签到位置少于n个用户的删除place_count =data.groupby('place_id').aggregate(np.count_nonzero)tf = place_count[place_count.row_id > 3].reset_index()data = data[data['place_id'].isin(tf.place_id)]
# K-近邻算法实例-预测入住位置from sklearn.neighbors import KNeighborsClassifierimport pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerimport numpy as npdef knncls():'''K-近邻算法-预测用户入住位置return None'''# 一、数据集的处理# 读取数据data = pd.read_csv(r'C:\Users\admin\Desktop\v-predicting\train.csv')# 处理数据# 1.缩小数据-缩小数据集范围 DataFrame.query()查询数据筛选data = data.query('x>1.0 & x<1.25 & y>2.5 & y<2.75')# 2.处理时间数据time_value = pd.to_datetime(data['time'],unit='s')# 3、增加分割的日期数据# 把日期格式转化成字典格式time_value = pd.DatetimeIndex(time_value)# 根据时间 构造一些特征data.loc[:,'day'] = time_value.daydata.loc[:,'hour'] = time_value.hourdata.loc[:,'weekday'] = time_value.weekday# 4、删除没用的日期数据# 把时间戳特征删除,axis的重点在于方向而不在于行或列# axis = 0表示纵轴表示数据的变化从上至下，体现在行的增加与减少# axis = 1表示横轴表示数据的变化从左至右，体现在列的增加与减少data = data.drop(labels='time', axis=1)# 5.将签到位置少于n个用户的删除place_count = data.groupby('place_id').count()tf = place_count[place_count.row_id > 3].reset_index()# 过滤后的表格data = data[data['place_id'].isin(tf.place_id)]# 删除无用的row_iddata = data.drop(labels='row_id', axis=1)print(data)# 取出数据中的目标值和特征值y = data["place_id"]x = data.drop(labels = 'place_id',axis=1)# 二、分割数据集# 进行数据的分割-训练集测试集x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.25)# 三、对数据集进行标准化# 特征工程（标准化）std = StandardScaler()# 对训练集与测试集的特征值进行标准化x_train = std.fit_transform(x_train)x_test = std.transform(x_test)# 四、estimator流程进行分类预测# 进行算法流程-estimator流程进行分类预测knn = KNeighborsClassifier(n_neighbors=5)knn.fit(x_train,y_train)# 得到预测结果y_predict = knn.predict(x_test)print('预测的目标签到位置为：', y_predict)# 得到预测的准确率-预测值与真实值进行比较print('预测的准确率为：',knn.score(x_test,y_test))return Noneif __name__ == '__main__':knncls()# 预测的目标签到位置为： [6424972551 1267801529 4932578245 ... 1228935308 4932578245 3992589015]# 预测的准确率为： 0.474468085106383
5.通过k-近邻算法对生物物种进行分类——鸢尾花(load_iris)
# k近邻算法作业-•通过k-近邻算法对生物物种进行分类——鸢尾花(load_iris)from sklearn.neighbors import KNeighborsClassifierfrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerdef knncls():'''通过K-近邻算法对生物物种进行分类'''# 一、数据集的处理li = load_iris()# 取数据集特征值与目标值x = li.datay = li.target# 二、分割数据集x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)# 三、对数据集进行标准化-特征工程std = StandardScaler()# 对训练集与测试集的特征值进行标准化x_train = std.fit_transform(x_train)x_test = std.transform(x_test)# 四、estimator流程进行分类预测# 超参数n_neighbors，可调knn = KNeighborsClassifier(n_neighbors=5)knn.fit(x_train,y_train)# 得到预测值y_predict = knn.predict(x_test)print('预测值是：\n',y_predict)# 预测准确率print('预测准确率是：\n',knn.score(x_test,y_test))return Noneif __name__ == '__main__':knncls()# 预测值是：# [2 2 0 1 1 2 2 2 0 0 1 1 0 2 1 0 0 0 0 0 1 1 1 1 1 2 1 2 2 2 2 2 2 0 0 0 2# 2]# 预测准确率是：# 0.9210526315789473
6.k-近邻算法优缺点
问题：1、k值取多大？有什么影响？k值取很小：容易受异常点影响；k值取很大：容易受最近数据太多导致比例变化2.性能问题k-近邻算法优缺点优点：简单，易于理解，易于实现，无需估计参数，无需训练缺点：懒惰算法，对测试样本分类时的计算量大，内存开销大必须指定K值，K值选择不当则分类精度不能保证使用场景：小数据场景，几千～几万样本，具体场景具体业务去测试
二、朴素贝叶斯算法
1.概率基础
联合概率和条件概率：联合概率：包含多个条件，且所有条件同时成立的概率，记作：P(A,B)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，记作：P(A|B)特性：P(A1,A2|B) = P(A1|B)P(A2|B)注意：此条件概率的成立，是由于A1,A2相互独立的结果
2.朴素贝叶斯原理介绍-特征相互独立(条件独立)
朴素贝叶斯-贝叶斯公式
拉普拉斯平滑-解决由于某个特征为0而造成概率为0的情况解决方法：拉普拉斯平滑系数P(F1│C)=(Ni+α)/(N+αm) α为指定的系数一般为1，m为训练文档中统计出的特征词个数
sklearn朴素贝叶斯实现API：sklearn.naive_bayes.MultinomialNBMultinomialNBsklearn.naive_bayes.MultinomialNB(alpha = 1.0)# 朴素贝叶斯分类# 参数alpha：拉普拉斯平滑系数
3.朴素贝叶斯算法案例-sklearn20类新闻分类
朴素贝叶斯案例流程20个新闻组数据集包含20个主题的18000个新闻组帖子1、加载20类新闻数据，并进行分割2、生成文章特征词3、朴素贝叶斯estimator流程进行预估
# 朴素贝叶斯算法案例-sklearn20类新闻分类from sklearn.datasets import fetch_20newsgroupsfrom sklearn.model_selection import train_test_splitfrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.naive_bayes import MultinomialNBdef naviebayes():'''朴素贝叶斯进行文本分类:return:'''# 一、数据集处理#1.加载数据集news = fetch_20newsgroups(subset='all')# 2.取得数据集的特征值与目标值x = news.datay = news.target# 3.分割数据集x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.25)# 二、对数据集进行特征抽取tf = TfidfVectorizer()# 以训练集当中的词的列表进行每篇文章重要性统计x_train = tf.fit_transform(x_train)# 打印单词列表print(tf.get_feature_names())x_test = tf.transform(x_test)# 三、朴素贝叶斯estimator流程进行预估mlt = MultinomialNB(alpha=1.0)print(x_train.toarray())mlt.fit(x_train,y_train)# 得到预测值y_predict = mlt.predict(x_test)print('预测值是：',y_predict)# 预测准确率print("预测准确率是：",mlt.score(x_test,y_test))return Noneif __name__ == '__main__':naviebayes()
4.朴素贝叶斯算法的优缺点
朴素贝叶斯分类优缺点：优点：1.朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率。2.对缺失数据不太敏感，算法也比较简单，常用于文本分类。3.分类准确度高，速度快缺点：1.训练集误差大时，结果肯定不好；不允许调参2.由于使用样本属性独立性的假设，故样本属性有关联时，其效果最好
三、分类模型评估
1.概念
分类模型的评估:estimator.score()# 一般最常见使用的是准确率，即预测结果正确的百分比混淆矩阵•在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类)
精确率：预测结果为正例样本中真实为正例的比例（查得准）召回率：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力）其他分类标准，F1-score，反映了模型的稳健型
2.分类模型评估API
分类模型评估API:sklearn.metrics.classification_report# 求每个类别的精确率和召回率sklearn.metrics.classification_report(y_true, y_pred, target_names=None)# 参数y_true：真实目标值y_pred：估计器预测目标值target_names：目标类别名称return：每个类别精确率与召回率
3.案例
# 精确率与召回率from sklearn.datasets import fetch_20newsgroupsfrom sklearn.model_selection import train_test_splitfrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.naive_bayes import MultinomialNBfrom sklearn.metrics import classification_reportdef naviebayes():'''朴素贝叶斯进行文本分类:return:'''# 一、数据集处理#1.加载数据集news = fetch_20newsgroups(subset='all')# 2.取得数据集的特征值与目标值x = news.datay = news.target# 3.分割数据集x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.25)# 二、对数据集进行特征抽取tf = TfidfVectorizer()# 以训练集当中的词的列表进行每篇文章重要性统计x_train = tf.fit_transform(x_train)# 打印单词列表print(tf.get_feature_names())x_test = tf.transform(x_test)# 三、朴素贝叶斯estimator流程进行预估mlt = MultinomialNB(alpha=1.0)print(x_train.toarray())mlt.fit(x_train,y_train)# 得到预测值y_predict = mlt.predict(x_test)print('预测值是：',y_predict)# 预测准确率print("预测准确率是：",mlt.score(x_test,y_test))print('每个类别的精确率与召回率分别是:\n',classification_report(y_test,y_predict,target_names=news.target_names))return Noneif __name__ == '__main__':naviebayes()# 预测值是： [ 3 2 14 ... 9 15 14]# 预测准确率是： 0.8433786078098472# 每个类别的精确率与召回率分别是:# precision recall f1-score support# # alt.atheism 0.870.690.77 199# comp.graphics 0.890.750.81 250# comp.os.ms-windows.misc 0.780.870.82 221# comp.sys.ibm.pc.hardware 0.720.820.77 234# comp.sys.mac.hardware 0.880.870.87 230# comp.windows.x 0.940.860.90 251# misc.forsale 0.920.660.77 255#rec.autos 0.900.920.91 242#rec.motorcycles 0.950.950.95 257# rec.sport.baseball 0.940.960.95 251# rec.sport.hockey 0.930.980.96 246#sci.crypt 0.850.970.90 261#sci.electronics 0.890.760.82 247# sci.med 0.990.880.93 260#sci.space 0.880.980.93 258# soc.religion.christian 0.510.980.67 234# talk.politics.guns 0.700.970.81 216# talk.politics.mideast 0.930.980.95 232# talk.politics.misc 0.980.570.72 213# talk.religion.misc 1.000.170.29 155# #micro avg 0.840.840.844712#macro avg 0.870.830.824712# weighted avg 0.870.840.844712
四、模型的选择与调优
1.交差验证
交叉验证：为了让被评估的模型更加准确可信交叉验证过程：交叉验证：将拿到的数据，分为训练集和验证集。以下图为例：将数据分成5份，其中一份作为验证集。然后经过5次(组)的测试，每次都更换不同的验证集。即得到5组模型的结果，取平均值作为最终结果。又称5折交叉验证。
2.网格搜索-调超参数
超参数搜索-网格搜索通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫超参数。但是手动过程繁杂，所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。多个超参数时，对模型预设多超参数组合，如，二个参数-两两组合、三个参数-三三组合，每组超参数采用交叉验证(一般采用10折交叉验证)来进行评估，最后选出最优参数组合建立模型
1）超参数搜索-网格搜索API
超参数搜索-网格搜索API:sklearn.model_selection.GridSearchCVsklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None)# 对估计器的指定参数值进行详尽搜索# 参数estimator：估计器对象param_grid：估计器参数(dict){“n_neighbors”:[1,3,5]}cv：指定几折交叉验证# 方法fit：输入训练数据score：准确率#结果分析：best_score_:在交叉验证中测试的最好结果best_estimator_：最好的参数模型cv_results_:每次交叉验证后的测试集准确率结果和训练集准确率结果
2）K-近邻算法调优 交叉验证与网格搜索
# K-近邻算法调优 交叉验证与网格搜索from sklearn.neighbors import KNeighborsClassifierimport pandas as pdfrom sklearn.model_selection import train_test_split,GridSearchCVfrom sklearn.preprocessing import StandardScalerdef knncls():'''K-近邻算法-预测用户入住位置return None'''# 一、数据集的处理# 读取数据data = pd.read_csv(r'C:\Users\admin\Desktop\v-predicting\train.csv')# 处理数据# 1.缩小数据-缩小数据集范围 DataFrame.query()查询数据筛选data = data.query('x>1.0 & x<1.25 & y>2.5 & y<2.75')# 2.处理时间数据time_value = pd.to_datetime(data['time'],unit='s')# 3、增加分割的日期数据# 把日期格式转化成字典格式time_value = pd.DatetimeIndex(time_value)# 根据时间 构造一些特征data.loc[:,'day'] = time_value.daydata.loc[:,'hour'] = time_value.hourdata.loc[:,'weekday'] = time_value.weekday# 4、删除没用的日期数据# 把时间戳特征删除,axis的重点在于方向而不在于行或列# axis = 0表示纵轴表示数据的变化从上至下，体现在行的增加与减少# axis = 1表示横轴表示数据的变化从左至右，体现在列的增加与减少data = data.drop(labels='time', axis=1)# 5.将签到位置少于n个用户的删除place_count = data.groupby('place_id').count()tf = place_count[place_count.row_id > 3].reset_index()# 过滤后的表格data = data[data['place_id'].isin(tf.place_id)]# 删除无用的row_iddata = data.drop(labels='row_id', axis=1)print(data)# 取出数据中的目标值和特征值y = data["place_id"]x = data.drop(labels = 'place_id',axis=1)# 二、分割数据集# 进行数据的分割-训练集测试集x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.25)# 三、对数据集进行标准化# 特征工程（标准化）std = StandardScaler()# 对训练集与测试集的特征值进行标准化x_train = std.fit_transform(x_train)x_test = std.transform(x_test)# 四、estimator流程进行分类预测# 进行算法流程-estimator流程进行分类预测knn = KNeighborsClassifier()# 五、算法调优-网格搜索# 构造一些参数的值进行搜索param = {'n_neighbors':[3,5,10]}gc = GridSearchCV(knn, param_grid=param, cv=2)gc.fit(x_train, y_train)# 预测准确率print('在测试集上的准确率：\n', gc.score(x_test, y_test))print('在交叉验证中最好的结果:\n',gc.best_score_)print('最好的参数模型：\n', gc.best_estimator_)print('每个超参数每次交叉验证后的结果：\n',gc.cv_results_)return Noneif __name__ == '__main__':knncls()
