创建分类器笔记

2018-01-12 11:54:40来源:cnblogs.com作者:NSGUF人点击

分享

创建分类器

简介:分类是指利用数据的特性将其分类成若干类型的过程。分类与回归不同,回归的输出是实数。监督学习分类器就是用带标记的训练数
据建立一个模型,然后对未知的数据进行分类。
分类器可以实现分类功能的任意算法,最简单的分类器就是简单的数学函数。其中有二元(binary)分类器,将数据分成两类,也可多元(multiclass)分类器,将数据分成两个以上的类型。解决分类问题的数据手段都倾向于解决二元分类问题,可通过不同形式对其进行扩展,进而解决多元分类。

1、建立简单分类器

import numpy as npimport matplotlib.pyplot as plt# 准备数据X = np.array([[3,1], [2,5], [1,8], [6,4], [5,2], [3,5], [4,7], [4,-1]])y = [0, 1, 1, 0, 0, 1, 1, 0]# 根据y的值分类X,取值范围为0~N-1,N表示有N个类class_0=np.array([X[i] for i in range(len(X)) if y[i]==0])class_1=np.array([X[i] for i in range(len(X)) if y[i]==1])# 将点画出plt.figure()plt.scatter(class_0[:,0],class_0[:,1],color='red',marker='s')plt.scatter(class_1[:,0],class_1[:,1],color='black',marker='x')# 创建y=x的直线line_x=range(10)line_y=line_xplt.plot(line_x,line_y,color='blue',linewidth=3)plt.show()

2、逻辑回归分类器

逻辑回归是一种分类方法,给定一组数据点,需要建立一个可以在类之间绘制线性边界的模型。就可以对训练数据派生的一组方程进行求解来提取边界。

import numpy as npfrom sklearn import linear_modelimport matplotlib.pyplot as plt# 准备数据X = np.array([[4, 7], [3.5, 8], [3.1, 6.2], [0.5, 1], [1, 2], [1.2, 1.9], [6, 2], [5.7, 1.5], [5.4, 2.2]])y = np.array([0, 0, 0, 1, 1, 1, 2, 2, 2])# 初始化一个逻辑分类回归器classifier=linear_model.LogisticRegression(solver='liblinear',C=10000)#solver设置求解系统方程的算法类型,C表示正则化强度,越小表强度越高,C越大,各个类型的边界更优。#训练分类器classifier.fit(X,y)# 定义画图函数def plot_classifier(classifier,X,y):    # 获取x,y的最大最小值,并设置余值    x_min,x_max=min(X[:,0])-1.0,max(X[:,0]+1.0)    y_min,y_max=min(X[:,1])-1.0,max(X[:,1]+1.0)    # 设置网格步长    step_size=0.01    # 设置网格    x_values,y_values=np.meshgrid(np.arange(x_min,x_max,step_size),np.arange(y_min,y_max,step_size))    # 计算出分类器的分类结果    mesh_output=classifier.predict(np.c_[x_values.ravel(),y_values.ravel()])    mesh_output=mesh_output.reshape(x_values.shape)    # 画图    plt.figure()    #选择配色方案    plt.pcolormesh(x_values,y_values,mesh_output,cmap=plt.cm.gray)    # 画点    plt.scatter(X[:,0],X[:,1],c=y,s=80,edgecolors='black',linewidths=1,cmap=plt.cm.Paired)    # 设置图片取值范围    plt.xlim(x_values.min(),x_values.max())    plt.ylim(y_values.min(),y_values.max())    # 设置x与y轴    plt.xticks((np.arange(int(min(X[:, 0]) - 1), int(max(X[:, 0]) + 1), 1.0)))    plt.yticks((np.arange(int(min(X[:, 1]) - 1), int(max(X[:, 1]) + 1), 1.0)))    plt.show()# 画出数据点和边界plot_classifier(classifier,X,y)

3、朴素贝叶斯分类去

用贝叶斯定理进行建模的监督学习分类器。
下面举个例子,虽然这个例子没有区分训练集和测试集,一般情况最好还是区分一下。

from sklearn.naive_bayes import GaussianNB# 准备数据input_file = 'data_multivar.txt'X = []y = []with open(input_file, 'r') as f:    for line in f.readlines():        data = [float(x) for x in line.split(',')]        X.append(data[:-1])        y.append(data[-1])X = np.array(X)y = np.array(y)# 建立朴素贝叶斯分类器classifier_gaussiannb=GaussianNB()classifier_gaussiannb.fit(X,y)y_pre=classifier_gaussiannb.predict(X)# 计算分类器的准确性accuracy=100.0*(y==y_pre).sum()/X.shape[0]print('结果:',accuracy)# 画出数据和边界plot_classifier(classifier_gaussiannb,X,y)

4、将数据集分割成训练集和数据集

分割训练集和测试集,更好的评估模型

from sklearn.naive_bayes import GaussianNBfrom sklearn import cross_validation# 准备数据input_file = 'data_multivar.txt'X = []y = []with open(input_file, 'r') as f:    for line in f.readlines():        data = [float(x) for x in line.split(',')]        X.append(data[:-1])        y.append(data[-1])X = np.array(X)y = np.array(y)x_train,x_test,y_train,y_test=cross_validation.train_test_split(X,y,test_size=0.25,random_state=5)# 测试数据占25%,# 建立朴素贝叶斯分类器classifier_gaussiannb=GaussianNB()classifier_gaussiannb.fit(x_train,y_train)y_test_pre=classifier_gaussiannb.predict(x_test)# 计算分类器的准确性accuracy=100.0*(y_test==y_test_pre).sum()/x_test.shape[0]print('结果:',accuracy)# 画出数据和边界plot_classifier(classifier_gaussiannb,x_test,y_test_pre)

5、用交叉验证检验模型准确性

为了能让模型更加稳定,还需要用数据的不同子集进行反复验证,若只是对特定的子集进行微调,会造成过度拟合。

5.1 性能指标

概念:

  • 精度(precision):被正确分类的样本数量占分类器分类出的总分类样本数量的百分比。
  • 召回率(recall):被正确分类的样本数量占某分类总样本数量的百分比。

    良好的机器学习模型需要保持两个指标能够同事处于合理高度,所以引入F1得分指标,是精度和召回率的合成指标,实际上是精度和召回率的调和均值(harmonic mean),公式如下:
    F1得分=2精度召回率/(精度+召回率)
    代码实现交叉验证:
    scoring参数对应的结果

    num_validations = 5# 正确率accuracy = cross_validation.cross_val_score(classifier_gaussiannb,X, y, scoring='accuracy', cv=num_validations)print("Accuracy: " + str(round(100*accuracy.mean(), 2)) + "%")# F1f1 = cross_validation.cross_val_score(classifier_gaussiannb,X, y, scoring='f1_weighted', cv=num_validations)print("F1: " + str(round(100*f1.mean(), 2)) + "%")# 精度precision = cross_validation.cross_val_score(classifier_gaussiannb,X, y, scoring='precision_weighted', cv=num_validations)print("Precision: " + str(round(100*precision.mean(), 2)) + "%")# 召回率recall = cross_validation.cross_val_score(classifier_gaussiannb,X, y, scoring='recall_weighted', cv=num_validations)print("Recall: " + str(round(100*recall.mean(), 2)) + "%")# 画出数据和边界plot_classifier(classifier_gaussiannb,x_test,y_test_pre)

6、混淆矩阵可视化

混淆矩阵(confusion matrix)是理解分类模型性能的数据表,它有助于我们理解如何把测试数据分成不同的类。当向对算法进行调优时,就需要在
对算法做出改变之前了解数据的错误分类情况。有些分类效果比其他分类效果差,混淆矩阵可以帮我们理解。

from sklearn.metrics import confusion_matrix# 显示混淆矩阵def plot_confusion_matrix(confusion_mat):    plt.imshow(confusion_mat,interpolation='nearest',cmap=plt.cm.gray)    plt.colorbar()    tick_marks=np.arange(4)    plt.xticks(tick_marks,tick_marks)    plt.yticks(tick_marks,tick_marks)    plt.show()y_true = [1, 0, 0, 2, 1, 0, 3, 3, 3]y_pred = [1, 1, 0, 2, 1, 0, 1, 3, 3]confusion_mat=confusion_matrix(y_true,y_pred)plot_confusion_matrix(confusion_mat)

7、提取性能报告

可直接使用上面的scikit-learn打印精度、召回率和F1得分。但是如果不需要单独计算各个指标,可用该函数直接从模型中提取所有统计值。

# 提取性能报告from sklearn.metrics import classification_reporttarget_names = ['Class-0', 'Class-1', 'Class-2', 'Class-3']print(classification_report(y_true,y_pred,target_names=target_names))

8、根据汽车特征评估质量

使用随机森林分类器,用一个包含汽车多种细节的数据集,分类吧汽车的质量分成4中:不达标、达标、良好、优秀。代码如下:

from sklearn import preprocessingfrom sklearn.ensemble import RandomForestClassifier# 准备数据input_file = 'car.data.txt'X = []count = 0with open(input_file, 'r') as f:    for line in f.readlines():        data = line[:-1].split(',')  # line[:-1]表示line中最后一个换行删除        X.append(data)X = np.array(X)# 使用标记编将字符串转化为数值label_encoder = []X_encoder = np.empty(X.shape)print(X[0])for i, item in enumerate(X[0]):  # 由于相同的信息是以列的形式显示,所以应该按列进行标记编码    label_encoder.append(preprocessing.LabelEncoder())  # 初始化每列的标记编码器    X_encoder[:, i] = label_encoder[-1].fit_transform(X[:, i])  # 未标记编码X = X_encoder[:, :-1].astype(int)  # 将所有数据的除最后一列作为X,最后一列作为yy = X_encoder[:, -1].astype(int)# 训练随机森林分类器params = {'n_estimators': 200, 'max_depth': 8, 'random_state': 7}  # 跟上章监督学习中的随机森林回归的参数一个意思:# n_estimators指评估器的数量,则决策树数量,min_samples_split指决策树分裂一个节点需要用到的最小数据样本量classifier = RandomForestClassifier(**params)classifier.fit(X, y)# 进行交叉验证from sklearn import model_selection# model_selection 将之前的sklearn.cross_validation, sklearn.grid_search 和 sklearn.learning_curve模块组合到一起accuracy = model_selection.cross_val_score(classifier, X, y, scoring='accuracy', cv=3)print('accuracy:', str(round(accuracy.mean(), 2)) + '%')# 对某条信息进行分类input_data = ['low', 'low', '4', 'more', 'big', 'med']input_data_encoded = [-1] * len(input_data)for i, item in enumerate(input_data):    labels=[]    labels.append(input_data[i])# 转换形式,否则下行会报错    input_data_encoded[i] = int(label_encoder[i].transform(labels))input_data_encoder = np.array(input_data_encoded)output_class = classifier.predict(input_data_encoder)  # 预测print('结果:', label_encoder[-1].inverse_transform(output_class)[0])  # 最后一个编码器是结果

9、生成验证曲线

在第8节中使用了n_estimators和max_depth参数,而这两个被称为超参数(hyperparameters),分类器的性能取决于这两个参数的值,而这节就是使用验证曲线理解训练得分情况。(其他参数可不变),实例如下:

from sklearn.model_selection import  validation_curveclassifier=RandomForestClassifier(max_depth=4,random_state=7)parameter_grid=np.linspace(25,200,8).astype(int)train_scores,validation_scores=validation_curve(classifier,X,y,'n_estimators',parameter_grid,cv=5)#对n_estimators参数进行验证print('training scores:',train_scores)print('validation scores:',validation_scores)plt.figure()plt.plot(parameter_grid,100*np.average(train_scores,axis=1),color='black')plt.show()classifier=RandomForestClassifier(n_estimators=20,random_state=7)parameter_grid=np.linspace(2,10,5).astype(int)train_scores,validation_scores=validation_curve(classifier,X,y,'max_depth',parameter_grid,cv=5)#max_depthprint('training scores:',train_scores)print('validation scores:',validation_scores)plt.figure()plt.plot(parameter_grid,100*np.average(train_scores,axis=1),color='black')plt.show()

10、生成学习曲线

学习曲线可帮助我们理解训练数据集大小对机器学习模型的影响,当遇到计算能力限制时,这点十分有用,实例如下:

from sklearn.model_selection import learning_curveclassifier=RandomForestClassifier(random_state=7)parameter_grid=np.array([200,500,800,1100])train_size,train_scores,validation_scores=learning_curve(classifier,X,y,train_sizes=parameter_grid,cv=5)#cv表示五折交叉验证print('train_scores:',train_scores)print('validation_scores:',validation_scores)plt.figure()plt.plot(parameter_grid,100*np.average(train_scores,axis=1),color='black')plt.show()

ps:虽然训练数据集的规模越小,仿佛精确度越高,但是它很容易造成过拟合问题。但是若选择较大的数据集,又会消耗更多资源,所以应综合考虑。

11、估算收入阶层

这里使用朴素贝叶斯分类器。这里的方法和第8节的一样,只是多了数字和字符串的混合编码,所以一些代码注释可查看上方第8节。

# 1、读取数据input_file='adult.data.txt'X=[]countLess=0countMore=0countAll=20000with open(input_file,'r') as f:    for line in f.readlines():        if '?' not in line:            data=line[:-1].split(', ')            # 2、若大部分点都属于同一个类型,则分类器会倾向于该类型,所以应该选出大于50k与小于等于50k各10000            if data[-1]=='<=50K' and countLess<countAll:                X.append(data)                countLess=countLess+1            elif data[-1]=='>50K' and countMore<countAll:                X.append(data)                countMore=countMore+1            if countMore>=countAll and countLess>=countAll:                break;X=np.array(X)from sklearn import preprocessing# 3、对数据进行编码label_encoder=[]for i,item in enumerate(X[0]):    if item.isdigit():        X[:,i]=X[:,i]    else:        label_encoder.append(preprocessing.LabelEncoder())        X[:,i]=label_encoder[-1].fit_transform(X[:,i])y=X[:,-1].astype(int)X=X[:,:-1].astype(int)# 4、将数据分成训练和测试from sklearn.model_selection import train_test_splitfrom sklearn.model_selection import cross_val_scorefrom sklearn.naive_bayes import GaussianNBX_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.25,random_state=5)# 5、训练数据classifier_gaussiannb=GaussianNB()classifier_gaussiannb.fit(X_train,y_train)y_test_pred=classifier_gaussiannb.predict(X_test)# 6、提取性能指标f1=cross_val_score(classifier_gaussiannb,X,y,scoring='f1_weighted',cv=5)print('f1:',str(round(f1.mean()*100,2))+'%')# 7、预测新的值input_data = ['39', 'State-gov', '77516', 'Bachelors', '13', 'Never-married', 'Adm-clerical', 'Not-in-family', 'White', 'Male', '2174', '0', '40', 'United-States']count=0input_data_encoder=[-1]*len(input_data)for i,item in enumerate(input_data):    if item.isdigit():        input_data_encoder[i]=int(input_data[i])    else:        labels = []        labels.append(input_data[i])        input_data_encoder[i]=int(label_encoder[count].transform(labels))        count=count+1result=classifier_gaussiannb.predict(input_data_encoder)result=label_encoder[-1].inverse_transform(result)print('resutl:',result)

最新文章

123

最新摄影

闪念基因

微信扫一扫

第七城市微信公众平台