一直都说python是人工智能、机器学习等算法的良配，很多python大神除了常规的大数据爬虫、网站开发等代码能力外，人工智能/机器学习也都是手到擒来。因此我也“跳坑”来看看 。
由于python sklearn库的良好集成，我发现无论对于各类算法的实现、训练、预测都很简单，而且不同算法之间的代码逻辑和使用方法也不尽相同。那就干脆来个一锅端，来个10+分类算法的汇总集锦。
示例代码
这次为了方便理解，我直接先放代码，然后再简单入门级地讲讲各类算法的优劣。
from sklearn import svm
from sklearn.neural_network import MLPClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import BernoulliNB
from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import MultinomialNB
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import AdaBoostClassifier
import xgboost
import lightgbm
import time
from sklearn import metrics
from sklearn.model_selection import train_test_split
import random
import numpy
from openpyxl import Workbook,load_workbook
def train_test_algorithm(model, x_train, y_train, x_test, y_test):
print('begin to train……')
start_time = time.time()
model.fit(x_train, y_train)
print('begin to predict……')
y_pred_model = model.predict(x_test)
classifier = str(model).split('(')[0]
print('begin to get the result of Classifier_Type:{}...'.format(classifier))
score = metrics.accuracy_score(y_test, y_pred_model)
print('The accuracy score of {0} is: {1}%'.format(classifier, round(score * 100, 2)))
end_time = time.time()
use_time = end_time - start_time
print('The time of using {0} is :{1}'.format(classifier, round(use_time, 2)))
print('{} test end!
'.format(classifier))
return score, round(use_time, 2), classifier
def get_redball():
redlist = []
while len(redlist) < 7:
temp = random.randint(1, 34)
if temp not in redlist:
redlist.append(temp)
return redlist
def get_blueball():
return random.randint(1, 17)
def get_data():
x_temp, y_temp = [], []
for i in range(2000):
x_temp.append(get_redball())
y_temp.append(get_blueball())
x = numpy.array(x_temp)
y = numpy.array(y_temp)
return x, y
def get_data2():
import csv
data = csv.reader(open('winequality-red.csv','r'))
labels,xlist=[],[]
firstline = True
for i in data:
if firstline:
firstline = False
else:
r = i[0].split(';')
labels.append(float(r[-1]))
r.pop()
floatrow = [float(num) for num in r]
xlist.append(floatrow)
# 转化为numpy格式
x = numpy.array(xlist)
y = numpy.array(labels)
return x,y
if __name__ == '__main__':
# 定义各类分类算法
svc = svm.SVC() # 支持向量机，SVM
mlp = MLPClassifier() # 多层感知机，MLP
dtc = DecisionTreeClassifier() # 决策树,DT
knc = KNeighborsClassifier() # K最近邻,KNN
bnb = BernoulliNB() # 伯努利贝叶斯，BNB
gnb = GaussianNB() # 高斯贝叶斯,GNB
mnb = MultinomialNB() # 朴素贝叶斯，MNB
lgr = LogisticRegression() # 逻辑回归，LGR
rfc = RandomForestClassifier() # 随机森林，RFC
abc = AdaBoostClassifier() # AdaBoost
xgb = xgboost.XGBClassifier() # xgboost
gbm = lightgbm.LGBMClassifier() # lightgbm
# 训练/测试数据生成
# 真实红酒销售数据
x, y = get_data2()
# 随机生成的双色球红蓝球数据
# x,y = get_data()
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.20, random_state=531)
classify_type_list = [svc, mlp, dtc, knc, bnb, gnb, mnb, lgr, rfc, abc, xgb, gbm]
test_result = {}
tablename = 'wine_result'
wb = load_workbook('result.xlsx')
try:
ws = wb[tablename]
except:
ws = wb.create_sheet(tablename)
ws.append(['classifer_type','score','use_time'])
for i, type in enumerate(classify_type_list):
score, use_time, classifier = train_test_algorithm(type, x_train, y_train, x_test, y_test)
ws.append([classifier,str(round(100*score,2))+'%',use_time])
wb.save('result.xlsx')这里有两组测试数据，一组是机器学习官网常用的红酒质量数据（下载地址："http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv"），一组是2000期双色球红/蓝球号码（当然这里我自己偷懒了，是用随机函数生成的，但不影响对机器学习算法的学习）。
对应的测试结果如下：
（1）双色球数据测试结果：
（2）红酒质量数据测试结果：
知识串讲
（1）分类算法代码实现流程：
1、准备数据样本，通过train_test_split函数可自动按比例生成训练和测试的数据数量，如样例代码为20%的测试数据，80%的训练数据；
2、实例化具体某个算法，如mlp = MLPClassifier();
3、通过fit函数对训练数据(x_train/y_train)进行预处理；
4、基于测试x_test数据进行具体算法的预测（predict函数实现），产生y_pred_data；
5、将预测数据y_pred_data与真实数据y_test进行对比，可以通过平方差等各类评估方法来判定，分类算法的准确率。
从流程上来讲，后面分类算法实现上都可以参照我的样例代码来做。
（2）示例代码有一部分代码是涉及excle表（csv/xlsx格式等）的处理，常用的python库有csv、openpyxl、xlrd等。因此我准备下次对excle表处理再进行汇总整理。这次就不具体记录了。
分类算法对比总结
支持向量机（SVM）：通过分类面使两侧样本数据到分类面的最小距离最大，通俗地讲就是让他们离分类面都滚远点；当前在文本识别、人脸识别等场景中都有应用 优点：泛化性能高，能解决高维问题；对小样本的机器学习效果好 缺点：对缺失数据敏感，对非线性问题缺少通用解决方案，参数调节和函数的选择对算法准确率有很大影响
多层感知机（MLP） 其实就是两层的传统神经网络，是为了解决非线性问题（单层感知机只能对线性数据进行分类），通过将第一层神经元计算结果作为第二层输入，进行计算预测 优点：能处理非线性问题 缺点：随着层数增加会导致过拟合，参数调节难，梯度弥散、单侧抑制性等问题
决策树（DT） 通过多个结点判断进行结果判定，类似树的节点为条件，叶节点为分类结果 优点：适用于高维数据 缺点：对各类别样本数量不一致时，会对多样本的类别偏向；易过拟合，会忽略数据之间的相关性
K最近邻（KNN） 通过训练数据与预测数据之间的最邻近K个实例来判断，如果多数实例属于某个类别则预测数据属于那一类 优点：可以处理多分类问题，简单易懂 缺点：每次分类需要重新计算训练数据和测试数据，效率低；对训练数据的容错性较差，对多维数据无法处理
朴素贝叶斯（MNB） 对于待分类数据，通过学习得到的模型计算后验概率分布，并以后验概率作为 类别断定，一般用于新闻分类、垃圾邮件过滤 优点：模型参数少，对缺失数据不敏感，算法简单 缺点：实际应用中数据集属性无法保证相互独立，当数据集呈现不同属性时会导致分类效果大大下降；另外需要事先知道先验概率
逻辑回归（LGR） 是一种广义的线性回归分析模型，一般用于二分类问题，给定一些输入，给出是或否的结果 优点：计算量较小，易于实现和理解 缺点：容易出现欠拟合，对数据正确性高度依赖；如果无效数据过高会直接影响分类精度
随机森林（RFC） 通过随机森林中所有决策树的预测，进行平均值计算，如果哪一分类被选择最多，则预测数据就属于哪一类 优点：能降低过拟合风险，不会因为少量异常导致整体出错，因此相对稳定 缺点：计算成本高，训练时间长，如果训练数据有噪音则会出现过拟合现象
AdaBoost 将多个弱分类器通过加权结合，使其成为一个强分类器 优点：泛化误差低，不易过拟合，易与其他分类算法结合使用 缺点：对异常点非常敏感，并在分错后会逐级影响后面的弱分类器
xgboost 在GBDT（梯度提升决策树）基础发展而来，利用cpu的多线程引入正则化项 优点：不易过拟合，计算有提升，支持线性分类，能通过自动学习解决样本缺失问题 缺点：数据规格大时贪心算法比较耗时，对cache优化不友好
lightgbm 梯度boosting框架的升级版，使用基于学习算法的决策树，能通过减少数据并行过程中的通讯开销提升效率，目前貌似是最热闹的boosting算法 优点：训练效率快，支持并行化学习，能处理大规格数据。速度比xgboost更快
结束
以上示例代码，其实并不能完全代表一类算法的优劣，因为我用的都是默认参数。针对不同测试数据，其实是需要具体来调参的，比如xgboost算法，其实有以下参数。因此我今天只是入门级地了解下机器学习的框架流程。
base_score=0.5, booster='gbtree', colsample_bylevel=1,
colsample_bynode=1, colsample_bytree=1, gamma=0,
learning_rate=0.1, max_delta_step=0, max_depth=3,
min_child_weight=1, missing=None, n_estimators=100, n_jobs=1,
nthread=None, objective='binary:logistic', random_state=0,
reg_alpha=0, reg_lambda=1, scale_pos_weight=1, seed=None,
silent=None, subsample=1, verbosity=1作者：华为云特约供稿开发者 鹏哥贼优秀