获取Scikit-Learn项目的源代码
无论是在windows还是Linux上,直接使用Git克隆项目即可,克隆之前需要把官方的项目Fork到自己的GitHub仓库。项目地址:https://github.com/scikit-learn/scikit-learn.git
研读源码的工具
- Pycharm IDE
- 官方文档中的User Guide
研读源码需要的一些前置知识
- 需要对机器学习算法有一个大概的了解,包括监督和非监督的主要算法的用途、推导
- 需要对Python比较熟悉,对OOP编程思想的一些重点方法熟悉,例如 @abstractmethod、@classmethod、@property、@staticmethod 等,如果不熟悉,可以阅读这篇博客 The definitive guide on how to use static, class or abstract methods in Python
项目结构
整个SKlearn项目,核心的部分在sklearn这个包里面,算法的使用案例在example包里面
sklearn包的简介
- _check_build
简单的检查是否正确编译的脚本 - _build_utils
sklearn官方团队构建这个项目时使用的一些支持性工具 - _loss
GLM算法中会用到的分布函数 - cluster
聚类算法的实现包。含有Birch/DBSCAN/Hierarchical/KMeans/Spectral等算法,其中kmeans算法提供elkan/fast/lloyd几种实现方式(使用cpyton实现的)。 - compose
合成模型时使用的元学习器。 - covariance
计算特征间协方差 - cross_decomposition
包含CCA(典型相关分析)和PLS(偏最小二乘)两种算法,这些算法主要用于探索两个多元数据集之间的线型关系。 - datasets
sklearn自带的数据采集器,主要功能时响应用户的调用,从网络下载玩具数据集,方便用户简单地跑跑算法。 - decompostion
矩阵分解算法包。包括PLA(主成分分析)、NMF(非负矩阵分解)、ICA(独立成分分析),其中PLA有稀疏版本的实现。 - ensemble
集成算法包。主要的脚本有:_bagging.py(bagging算法),_forest.py(随机森林),_gb(GBDT),_iforest.py(孤独森林),_stacking.py(stacking方法),_voting.py(投票方法),_weight_boosting.py(主要就是AdaBoost算法)。注意,GBDT算法的实现过程有调用一个cpython版本的脚本_gradient_boosting.pyx,主要目的就是加快计算速度。 - experimental
实验模块 - externals
一些外部依赖脚本。 - feature_extraction
特征提取。目前支持同Text文档和图片中提取特征。 - feature_selection
特征选择算法,主要是单变量的过滤算法(例如去除方差很小的特征)和递归特征删除算法。这里的接口也可以用来做降维。 - guassian_process
高斯过程。分为分类和回归两个实现。 - impute
缺失值处理,例如使用KNN算法去填充缺失值。 - inspection
检查模型的工具 - linear_model
线性模型包,包含线性回归、逻辑回归、LASSO、Ridge、感知机等等,内容非常多,是sklearn中的重点包 - manifold
实现数据嵌入技术的工具包,包括LLE、Iosmap、TSNE等等 - metrics
集合了所有的度量工具,包括常见的accuracy_socre、auc、f1_score、hinge_loss、roc_auc_score、roc_curve等等 - mixture
高斯混合模型、贝叶斯混合模型 - model_selection
sklearn的重点训练工具包,包括常见的GridSearchCV、TimeSeriesSplit、KFold、cross_validate等 - neighbors
K近邻算法包,包括球树、KD树、KNN分类、KNN回归等算法的实现 - neutral_network
包含比较基础的神经网络模型,例如伯努利受限玻尔兹曼机、多层感知机分类、多层感知机回归 - preprocessing
sklearn的重点数据预处理工具包,包括常见的LabelEncoder、MinMaxScaler、Normalizer、OneHotEncoder等 - semi_supervises
半监督学习算法包,LabelPropagation、LabelSpreading - svm
支持向量机算法包,包括线性支持向量分类/回归、SVC/SVR、OneClassSVM等,但是sklearn自己并没有独立去实现这一类算法,而是复用了很多libSVM的代码 - tests
一些单元测试代码 - tree
树模型,包括决策树、极端树。注意,梯度提升树算法放在ensemble包里。 - utils
加速计算、cython版本的BLAS算法、优化等工具包
sklearn实现算法的风格
sklearn中有若干个最基本的类,作为地基。例如 BaseEstimator 类、BaseSGD 类、ClassifierMixin、RegressorMixin等基础类,然后所有的算法都是在继承这些基类,并且自己实现fit等重要方法。所以,下一篇源码研读笔记,我会尽力去研究一下sklearn中这些最基础的类,看看他们都是负责什么功能的。
如果有任何纰漏差错,欢迎评论互动。