《机学四》特征工程4 ——：数据划分、转换器与估计器、总结（特征工程三大部分总结）

一、概述

主要学习纲要：

1、sklearn数据集与估计器
2、分类算法-k近邻算法
3、k-近邻算法实例
4、分类模型的评估
5、分类算法-朴素贝叶斯算法
6、朴素贝叶斯算法实例
7、模型的选择与调优
8、决策树与随机森林

★★★机器学习步骤：

1. 收集数据
2. 准备输入数据
3. 分析输入数据
4. 训练算法
5. 测试算法
6. 使用算法

机器学习步骤详见：《机学零》——第六节：https://blog.csdn.net/u010132177/article/details/103232316

二、数据划分（第2步：准备数据）

数据一般要分成两类：

1. 【训练集】用于训练模型（建立模型） ：一般占总数据比例：75%
2. 【测试集】用于测试模型（评估模型） ：一般占总数据比例：25%

2.1 sklearn数据集

1、数据集划分
2、sklearn数据集接口介绍
3、sklearn分类数据集
4、sklearn回归数据集

2.1.1 数据集划分Api

sklearn.model_selection.train_test_split

2.1.2 sklearn数据集接口

【为什么要用sklearn数据集】：自己的准备的数据集不一定准确，不一定真实，而且费时费力，所以学习中可以使用sklearn现成的数据集；

sklearn.datasets：

• 用于加载获取流行数据集
• datasets.load_*()：获取小规模数据集，数据已包含在datasets里

datasets.fetch_*(data_home=None)：

• 获取大规模数据集，需要从网络上下载，函数的第一个参数是data_home，表示数据集下载的目录,默认是 ~/scikit_learn_data/

2.1.2 获取数据集返回的类型

load* 和 fetch*

1. 返回的数据类型：datasets.base.Bunch(即字典格式)

2. data：特征数据数组，是 [n_samples * n_features] 的二维numpy.ndarray 数组

3. target：标签数组，是 n_samples 的一维 numpy.ndarray 数组

4. DESCR：数据描述

5. feature_names：特征名,新闻数据，手写数字、回归数据集没有

6. target_names：标签名,回归数据集没有

2.1.2-1 其中分类相关的数据集

1.sklearn.datasets.load_iris()

• 加载并返回鸢尾花数据集
  

2.sklearn.datasets.load_digits()

• 加载并返回数字数据集
  

【调用自带数据集代码实例】——分类型数据集：

from  sklearn.datasets import load_iris

li=load_iris() #实例化鸢尾花数据集
print('特征值：',li.data)
print('目标值：',li.target)
print('特征名：',li.feature_names)
print('数据描述：',li.DESCR)

'''结果：
特征值：共150行特征
 [[5.1 3.5 1.4 0.2]
 ...
 [6.2 3.4 5.4 2.3]
 [5.9 3.  5.1 1.8]]
 
目标值：共3类，150个目标数值
 [0 0 0...1 1 1...2 2 2]

特征名：4种特征名
 ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

数据描述：英文，主要描述数据的特征，目标，详细信息，略过
'''

2.2 数据集分割

sklearn.model_selection.train_test_split(*arrays, **options)

• 【x】： 数据集的特征值
• 【y】： 数据集的标签值
• 【test_size】： 测试集的大小，一般为float
• 【random_state】： 随机数种子,不同的种子会造成不同的随机采样结果。相同的种子采样结果相同。
• 【return】： 训练集特征值，测试集特征值，训练标签，测试标签(默认随机取)

2.2.1【分割数据集代码示例】

from  sklearn.datasets import load_iris  #自带数据集模块
from sklearn.model_selection import train_test_split  #数据集分割模块

#【1】实例化鸢尾花数据集
li=load_iris()

#【2】数据集分割：分成训练集（x_train    y_trian_）；测试集（x_test   y_test）；注意返回数据顺序；
# 2.1 test_size=0.25，即：分割成测试集占25%，则训练集占比：75%；
x_train,x_test,y_trian,y_test=train_test_split(li.data,li.target,test_size=0.25)
print('训练集是：',x_train,y_trian)
print('测试集是：',x_test,y_test)

'''结果
训练集是（数量占比75%）：
		[[5.1 3.5 1.4 0.2]
		 ...
 		[6.2 3.4 5.4 2.3]
 		[5.9 3.  5.1 1.8]]
 		[0 0 0...1 1 1...2 2 2]
测试集是（数量占比25%）：略...
'''

2.3 用于分类的大数据集

sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’)

• subset: 'train'或'test','all'，可选，选择要加载的数据集。训练集的“训练”，测试集的“测试”，两者的“全部”
• data_home： 数据集下载后的存放目录

datasets.clear_data_home(data_home=None)

• 清除目录下的数据

【大数据集调用代码例】——分类型大数据集《新闻类别》

from  sklearn.datasets import fetch_20newsgroups #引入自带大数据集模块

news = fetch_20newsgroups(data_home=r'E:PycharmProjectsLearnMachine120newsbydate',subset='all')
print(news.data)
print(news.target)

运行会发很长时间下载数据集，这是一个新闻文章分类相关的数据集，后面会讲到

2.4 sklearn自带的 回归数据集

1. sklearn.datasets.load_boston()
   - 加载并返回波士顿房价数据集
   

2. sklearn.datasets.load_diabetes()
   - 加载和返回糖尿病数据集
   

【调用sklearn回归数据集示例】《波士顿房价》

from sklearn.datasets import load_boston #导入波士顿数据集包

boston_price=load_boston() #实例化
print('房价集特征名',boston_price.feature_names)
print('房价特征集',boston_price.data)
print('房价目标集',boston_price.target)
print('房价集描述：',boston_price.DESCR)

'''
房价集特征名 ['CRIM' 'ZN' 'INDUS' 'CHAS' 'NOX' 'RM' 'AGE' 'DIS' 'RAD' 'TAX' 'PTRATIO' 'B' 'LSTAT']
房价特征集 [[6.3200e-03 1.8000e+01 2.3100e+00 ... 1.5300e+01 3.9690e+02 4.9800e+00]...
房价目标集 [24.  21.6 34.7 33.4 36.2 28.7 22.9 27.1 16.5 18.9 15.  18.9 21.7 20.4...
房价集描述：(头尾略过)...
		Attribute Information (in order):
        - CRIM     per capita crime rate by town
        - ZN       proportion of residential land zoned for lots over 25,000 sq.ft.
        - INDUS    proportion of non-retail business acres per town
        - CHAS     Charles River dummy variable (= 1 if tract bounds river; 0 otherwise)
        - NOX      nitric oxides concentration (parts per 10 million)
        - RM       average number of rooms per dwelling
        - AGE      proportion of owner-occupied units built prior to 1940
        - DIS      weighted distances to five Boston employment centres
        - RAD      index of accessibility to radial highways
        - TAX      full-value property-tax rate per $10,000
        - PTRATIO  pupil-teacher ratio by town
        - B        1000(Bk - 0.63)^2 where Bk is the proportion of blacks by town
        - LSTAT    % lower status of the population
        - MEDV     Median value of owner-occupied homes in $1000's
      ...
'''

三、转换器

3.1数据集的标准化处理

回忆之前做特征工程的步骤？

1. 实例化 (实例化的是一个转换器类(Transformer))
2. 调用fit_transform(对于文档建立分类词频矩阵，不能同时调用)

【标准化转换图示】

数据集 ---fit_transform(X)--> 转换后的数据集

【相关单词】

• fit： 适合
• transform： 转型
• preprocessing： 预处理
• StandardScaler： 标准定标器

【标准化函数、库】

from sklearn.preprocessing import StandardScaler

单独使用：
StandardScaler().fit_transform([[1,3,5],[2,3,6]])

以下两个为一个整体：
fit()
transform()

【标准化代码示例】

from sklearn.preprocessing import StandardScaler #预处理：标准化数据集包

#fit_transform()是fit()，和transform()的组合，只要两步即可对数据进行转型
sta=StandardScaler() #【1】
ft=sta.fit_transform([[1,3,5],[2,3,6]]) #【2】
print('ft：',ft)

#fit()，transform()要3步都做才可对数据进行转型
sta2=StandardScaler() #【1】
sta2.fit([[1,3,5],[2,3,6]]) #【2】此处是不能直接输出任何结果的，输出会报错，它只做处理(计算平均值，⽅差等)不返回值
ft2=sta2.transform([[1,3,5],[2,3,6]]) #【3】此处才能返回值
print('ft2:',ft2)

'''结果
ft： [[-1.  0. -1.] [ 1.  0.  1.]]
ft2: [[-1.  0. -1.] [ 1.  0.  1.]]
'''

四、估计器——sklearn机器学习算法的实现Api

在sklearn中，估计器(estimator)是一个重要的角色，分类器和回归器都属于estimator，是一类【实现了算法的API】

• 在估计器中有有两个重要的方法是fit和transform（用法见三）。
  • fit方法用于从训练集中学习模型参数 ：
  • transform用学习到的参数转换数据
    

4.1估计器的工作流程

1、调用fit： fit(x_train, y_train)

2、向预估器（estimator）输入测试集的数据

1. y_predict = predict(x_test)
2. 预测的准确率： score(x_test, y_test)

4.2 用于分类的估计器：

sklearn.neighbors	                        k-近邻算法
sklearn.naive_bayes                         贝叶斯
sklearn.linear_model.LogisticRegression     逻辑回归

4.3 用于回归的估计器：

sklearn.linear_model.LinearRegression     线性回归
sklearn.linear_model.Ridge                岭回归 

五、总结

至此特征工程三大块已经学完，下面，回忆一下

特征工程三大部分：

1. 特征抽取：https://blog.csdn.net/u010132177/article/details/102911543
2. 特征预处理：https://blog.csdn.net/u010132177/article/details/102967662
3. 特征降维：https://blog.csdn.net/u010132177/article/details/103155379