Schwarzeni

199
文章
7
分类
66
标签

scikit-learn 学习笔记(1)线性回归和感知机分类

楼+机器学习前置课程 scikit-learn 机器学习基础课程 实验1、2笔记

入门介绍

监督学习 的目标是从已知训练数据中学习一个预测模型，使得这个模型对于其他输入数据产生一个预测输出。其中，监督学习的「监督」是相对与「非监督」的一种表达，二者的区别在于， 监督学习的训练数据经过了人工进行标注，而非监督学习则没有这个过程 。

监督学习分类：

  • 分类：输出为有限个离散变量，布尔值或者定类变量。（人的性别）
  • 归回：输出为连续变量，一般为实数，也就是一个确切值。（人的年龄）

提供给 非监督学习 的数据并没有人工标注，类聚。

scikit-learn 封装了大量复杂的算法，例如：线性回归、支持向量机、k 近邻、决策树、朴素贝叶斯、逻辑回归等。scikit-learn 还提供了围绕机器学习核心算法的一套工具，包括数据预处理，模型评估，超参数优化等。

代码风格

  1. 调用一个机器学习方法 构建 相应的模型 model，并设置模型参数。
  2. 使用该机器学习模型提供的 model.fit() 方法 训练 模型。
  3. 使用该机器学习模型提供的 model.predict() 方法用于 预测。

scikit-learn 由 sklearn.linear_model 模块导入。线性模型：

  • 回归
    • 最小二乘回归
    • 感知机
    • 逻辑回归
  • 分类
    • 岭回归，
    • 贝叶斯回归等

线性回归模型

通过如下的拟合函数完成 样本分类 或 回归预测

$$\mathrm{y}(\mathrm{w}, \mathrm{x}) = w_{0} + w_{1} \cdot x_{1} + \cdots + w_{p} \cdot x_{p}$$

最小二乘法

sklearn.linear_model.LinearRegression()

基础实战

第一步：生成模型

1
2
3
4
5
import warning
from sklearn.linear_model import LinearRegression

model = LinearRegression()
model

输出如下

1
LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False)

第二步：训练模型

使用 fit 方法去拟合3个点，三个点的 特征向量 分别为 $[0, 0]$、$[1, 1]$、$[2, 2]$，对应的目标值为 $[1, 2, 3]$

1
model.fit([[0, 0], [1, 1], [2, 2]], [1, 2, 3])  # 模型训练(第 2 步)

可以通过如下方法查看拟合直线 ww项 和 常数项值

1
2
3
4
model.coef_
# array([0.5, 0.5])
model.intercept_
# 1.0000000000000002

所以可以看出，拟合函数为

$$\mathrm{y}(\mathrm{x}) = 0.5 \times x_{1} + 0.5 \times x_{2} + 1$$

第三部：模型预测

1
2
model.predict([[3,3]])
# array([4.])

进阶实战

使用内置的 diabetes 糖尿病数据集来训练一个复制一点的最小二乘回归模型。数据分为 70% 训练集和 30% 测试集。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import numpy as np
import matplotlib.pyplot as plt

# 加载数据
diabetes = datasets.load_diabetes()
diabetes_feature = diabetes.data[:, np.newaxis, 2]
diabetes_target = diabetes.target

# 拆分数据：训练集+测试集
train_feature, test_feature, train_target, test_target \
    = train_test_split(
            diabetes_feature,
            diabetes_target,
            test_size=0.3,
            random_state=56)

# 进行运算
model = LinearRegression()
model.fit(train_feature, train_target)

# 打印
plt.scatter(train_feature, train_target, color='black')
plt.scatter(test_feature, test_target, color='red')
plt.plot(test_feature, model.predict(test_feature), color='blue', linewidth=3)

plt.legend(('Fit line', 'Train Set', 'Test Set'), loc='lower right')
plt.title('LinearRegression Example')
plt.show()

在这里，我对于加载数据中的 diabetes.data[:, np.newaxis, 2] 有些疑惑，不清楚它的作用，于是稍微研究了一下

首先，diabetes.data 的值是一个 ndarray，它的shape为 (442, 10)，大概长这样

1
2
3
4
5
6
7
array([[ 0.03807591,  0.05068012,  0.06169621, ..., -0.00259226, 0.01990842, -0.01764613],
       [-0.00188202, -0.04464164, -0.05147406, ..., -0.03949338, -0.06832974, -0.09220405],
       [ 0.08529891,  0.05068012,  0.04445121, ..., -0.00259226, 0.00286377, -0.02593034],
       ...,
       [ 0.04170844,  0.05068012, -0.01590626, ..., -0.01107952, -0.04687948,  0.01549073],
       [-0.04547248, -0.04464164,  0.03906215, ...,  0.02655962, 0.04452837, -0.02593034],
       [-0.04547248, -0.04464164, -0.0730303 , ..., -0.03949338, -0.00421986,  0.00306441]]

每一行代表一组数据，而每一列代表用一类型的数据。每一组数据中10中类型代表的意义分别为：

age, sex, body mass index, average blood pressure, and six blood serum measurements

其次，对它的操作 data[:, np.newaxis, 2] 又有什么意义？根据实验楼教程中的代码注释，其目的是选取其中一项特征值，也就是选取第三列作为训练的数据。先看一下这个语句的执行结果如何：

1
2
3
4
5
6
7
8
array([[ 0.06169621],
       [-0.05147406],
       [ 0.04445121],
       ...,
       [-0.01590626],
       [ 0.03906215],
       [-0.0730303 ]])
# shape: (442, 1)

如果把最后的参数 2 去掉呢？

1
2
3
4
5
6
7
8
array([[[ 0.03807591,  0.05068012,  0.06169621, ..., -0.00259226, 0.01990842, -0.01764613]],
       [[-0.00188202, -0.04464164, -0.05147406, ..., -0.03949338, -0.06832974, -0.09220405]],
       [[ 0.08529891,  0.05068012,  0.04445121, ..., -0.00259226, 0.00286377, -0.02593034]],
       ...,
       [[ 0.04170844,  0.05068012, -0.01590626, ..., -0.01107952, -0.04687948,  0.01549073]],
       [[-0.04547248, -0.04464164,  0.03906215, ...,  0.02655962, 0.04452837, -0.02593034]],
       [[-0.04547248, -0.04464164, -0.0730303 , ..., -0.03949338, -0.00421986,  0.00306441]]])
# shape: (442, 1, 10)

发现其升了一维，那么还是要搞清楚 np.newaxis 是个什么东西。根据官方文档：

A convenient alias for None, useful for indexing arrays.

下面是一个简单的例子，用其来模拟下矩阵乘法

1
2
3
4
5
tmp_x = np.arange(3)
tmp_y = np.arange(3, 6)

print(tmp_x[:, np.newaxis])
print(tmp_x[:, np.newaxis] * tmp_y)

结果如下

1
2
3
4
5
6
7
8
9
 # print(tmp_x[:, np.newaxis])
array([[0],
       [1],
       [2]])

# print(tmp_x[:, np.newaxis] * tmp_y)
array([[ 0,  0,  0],
       [ 3,  4,  5],
       [ 6,  8, 10]])

这个等同于如下矩阵乘法

$$
\begin{pmatrix}
0 \\
1 \\
2
\end{pmatrix}\times
\begin{pmatrix}
3 & 4 & 5
\end{pmatrix}=
\begin{pmatrix}
0 & 0 & 0\\
3 & 4 & 5\\
6 & 8 & 10\\
\end{pmatrix}
$$

所以，那个表达式就是从一个二维矩阵中截取某一列的思路。

线性分类模型

感知机

它是神经网络和支持向量机的基础。感知机模型非常简单，输入为一些特征向量 ，输出则由 正类 和 负类 组成。而输入和输出之间，则是由符号函数连接:`

$$
f(x)=\operatorname{sign}(w \cdot x+b);
\operatorname{sign}(x)=\left\{\begin{array}{ll}{+1, x \geq 0} \\{-1, x \leq 0}\end{array}\right.
$$

感知机的 损失函数 是 错误分类点到分离超平面之间的距离总和 ，其学习策略同样也是损失函数最小化。

$$
\min \sum y(w \cdot x + b)
$$

实战代码如下

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
from sklearn.datasets import make_classification
from sklearn.linear_model import Perceptron
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import numpy as np
import matplotlib.pyplot as plt

# 生成一组可被二分类的二维数组作为数据集
X, y = make_classification(
    n_features=2,
    n_redundant=0,
    n_informative=1,
    n_clusters_per_class=1,
    random_state=1)

# 数据集划分
train_feature, test_feature, train_target, test_target = train_test_split(
    X, y,
    test_size=0.3,
    random_state=56)

# 建立感知器模型，使用默认参数
model = Perceptron()

# 使用训练集进行训练
model.fit(train_feature, train_target)

# 采用测试值预测
preds = model.predict(test_feature)

# 测试预测准确度
accuracy_score(test_target, preds)
# 100%

# 开始绘制图形
# 准备数据
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1

# 求出围成的区域中的点
xx, yy = np.meshgrid(
    np.arange(x_min, x_max, 0.02),
    np.arange(y_min, y_max, 0.02))

fig, ax = plt.subplots()
# 绘制决策边界
# np.c_ 横向拼接矩阵
# xx.ravel() 扁平化数组
Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
# 绘制边界图
ax.contourf(xx, yy, Z, cmap=plt.cm.Paired)
# 绘制散点图
ax.scatter(train_feature[:, 0], train_feature[:, 1], label='training data')
ax.scatter(test_feature[:, 0], test_feature[:, 1], label=u'test data')
ax.legend()
plt.show()

感知机示例