小白學數(shù)據(jù)：教你用Python實現(xiàn)簡單監(jiān)督學習算法

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，文摘菌想談談監(jiān)督學習。

監(jiān)督學習作為運用最廣泛的機器學習方法，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)督學習興起的近日，監(jiān)督學習也依舊是入門機器學習的鑰匙。

這篇監(jiān)督學習教程適用于剛?cè)腴T機器學習的小白。

當然了，如果你已經(jīng)熟練掌握監(jiān)督學習，也不妨快速瀏覽這篇教程，檢驗一下自己的理解程度~

什么是監(jiān)督學習？

在監(jiān)督學習中，我們首先導入包含有訓練屬性和目標屬性的數(shù)據(jù)集。監(jiān)督學習算法會從數(shù)據(jù)集中學習得出訓練樣本和其目標變量之間的關(guān)系，然后將學習到的關(guān)系對新樣本（未被標記的樣本）進行分類。

為了闡明監(jiān)督學習的工作原理，我們用根據(jù)學生學習時間預測其考試成績的例子來說明。

用數(shù)學表示，即Y = f(X)+ C，其中

f表示學生學習時間和考試成績之間的關(guān)系
X表示輸入（學習小時數(shù)）
Y表示輸出（考試分數(shù)）
C表示隨機誤差

監(jiān)督學習算法的終極目標是給出新的輸入X，使得預測結(jié)果Y的準確率最大。有很多方法可以實現(xiàn)有監(jiān)督學習，我們將探討幾種最常用的方法。

根據(jù)給定的數(shù)據(jù)集，機器學習可以分為兩大類：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。

舉兩個例子

分類：判斷是貓還是狗。

回歸：房子的售價是多少？

分類

考慮這樣一個例子，醫(yī)學研究員想要分析乳腺癌數(shù)據(jù)，用于預測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測類別標簽，例如“治療方案A”、“治療方案B”或者“治療方案C”。

分類是一個預測類別標簽的預測問題，這些類別標簽都是離散和無序的。分類包含兩個步驟：學習步驟和分類步驟。

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

在學習步驟中，分類模型通過分析訓練集數(shù)據(jù)建立一個分類器。在分類步驟中，分類器對給定的數(shù)據(jù)進行分類。用于分析的數(shù)據(jù)集（包含數(shù)據(jù)和其對應的標簽）被劃分為訓練集和測試集。訓練集從分析用的數(shù)據(jù)集中隨機抽取。剩下的數(shù)據(jù)集構(gòu)成測試集。測試集和訓練集相互獨立，即測試集中的數(shù)據(jù)不會被構(gòu)建于分類器。

測試集用于評價分類器的預測精度。分類器的精度用測試集中預測正確的百分比表示。為了獲得更高的精度，最好的方法是測試多個不同的算法，同時，對每個算法嘗試不同的參數(shù)?？梢酝ㄟ^交互檢驗選擇最好的算法和參數(shù)。

對于給定問題，在選取算法時，算法的精度、訓練時間、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)集上實現(xiàn)sklearn中的KNN，并對給定的輸入進行花卉類型分類。

首先，要應用機器學習算法，我們需要了解給定數(shù)據(jù)集的組成。在這個例子中，我們使用內(nèi)置在sklearn包中的IRIS數(shù)據(jù)集。現(xiàn)在讓我們使用代碼查看IRIS數(shù)據(jù)集。

請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

如果一個算法僅存儲訓練集數(shù)據(jù)，并等待測試集數(shù)據(jù)的給出，那么這個算法便可認為是一個“懶惰學習法”。直到給定測試集數(shù)據(jù)，它才會根據(jù)它與存儲的訓練集樣本的相似性來對新樣本進行分類。

K近鄰分類器就是一個懶惰學習法。

K近鄰基于類比學習，比較一個測試樣本和與之相似訓練集數(shù)據(jù)。訓練集有n個屬性表征。每個樣本由n維空間中的一個點表示。這樣，訓練集中的所有樣本都儲存在n維模式空間中。當給定一個未知的樣本，K近鄰分類器在模式空間中搜尋和未知樣本最接近的k個訓練樣本。這k個訓練樣本就是未知樣本的k個近鄰。

“接近度”用距離來度量，例如歐幾里得距離。較好的K值可以通過實驗確定。

在下面這段代碼中，我們導入KNN分類器，將之應用到我們的輸入數(shù)據(jù)中，然后對花卉進行分類。

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，對于給定的輸入，KNN分類器將它們都預測成為1這個類別的花。

KNN對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或多個變量之間的相關(guān)關(guān)系。例如，你要通過給定的數(shù)據(jù)X預測一個人的收入。這里，目標變量是指該變量是我們關(guān)心以及想要預測的未知變量，而連續(xù)是指Y的取值沒有間隔。

預測收入是一個經(jīng)典的回歸問題。你的輸入應當包含所有與收入相關(guān)的個人信息（比如特征），這些信息可以預測收入，例如工作時長、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）與一個或多個自變量（X）之間關(guān)系。

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

βo是截距
β1是斜率
e是誤差項

用圖表示，即

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

當然了，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是目標對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)學公式表示：p(X) = βo + β1 * X，其中p(x) = p(y = 1 | x)

圖形表示為

多項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，以及對應的目標值Y，我們使用普通最小二乘法通過最小化預測誤差來擬合線性模型

給定的數(shù)據(jù)集同樣劃分為訓練集和測試集。訓練集由已知標簽的樣本組成，因此算法能夠通過這些已知標簽的樣本來學習。測試集樣本不包含標簽，你并不知道你試圖預測樣本的標簽值。

我們將選擇一個需要訓練的特征，應用線性回歸方法擬合訓練數(shù)據(jù)，然后預測測試集的輸出。

用Sklearn實現(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 ]
  ]

預測的輸出值：

[ 
 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 
 ]