机器学习1：scikit-learn简介（1）——机器学习的⼀般步骤（⼿写数字数据集案
例）
机器学习的⼀般步骤
scikit-learn 的介绍
的安装：
在cmd中输⼊ 命令进⾏安装。
激活matplotlib，使得在notebook中显⽰内联图。
%matplotlib inline
import matplotlib.pyplot as plt
scikit-learn是⼀个开源的Python语⾔机器学习⼯具包。它涵盖了⼏乎所有主流机器学习算法的实现，并且提供了⼀致的调⽤接⼝。
它基于Numpy和SciPy等Python数值计算库，提供了⾼效的算法实现。
总结起来，scikit-learn⼯具包有以下⼏个优点：
(1) ⽂档齐全：官⽅⽂档齐全，更新及时。
(2) 接⼝易⽤：针对所有的算法提供了⼀致的接⼝调⽤规则，不管是KNN、K-Means还是PCA。
(3) 算法全⾯：涵盖主流机器学习任务的算法，包括回归算法、分类算法、聚类分析、数据降维处理等。
当然，scikit-learn不⽀持分布式计算，不适合⽤来处理超⼤型数据。
⼀、机器学习的⼀般步骤
1. 加载数据集
thx使⽤digits数据集，这是⼀个⼿写数字的数据集。
from sklearn.datats import load_digits
hapefrom matplotlib import pyplot as plt
digits=load_digits()
images_and_labels=list(zip(digits.images,digits.target))翻译笔译兼职
plt.figure(figsize=(8,6),dpi=200)
for index,(image,label)in enumerate(images_and_labels[:8]):
plt.subplot(2,4,index+1)
plt.axis('off')# 关闭坐标轴
plt.imshow(image,ay_r,interpolation='nearest')
plt.title('Digit:%i'%label,fontsize=20)
辅助理解：
zip() 函数：
enumerate()函数：
plt.imshow() 函数负责对图像进⾏处理，并显⽰其格式，但是不能显⽰。其后跟着plt.show（）才能显⽰出来。
cmap即colormaps，图谱
<是matplotlib库中内置的⾊彩映射函数。
<[⾊彩] (’[数据集]’) 即对 [数据集] 应⽤ [⾊彩]
digits.data.shape
scikit-learn使⽤Numpy的array对象来表⽰数据，所有的图⽚数据保存在⾥，每个元素都是⼀个8x8尺⼨的图⽚。我们在进⾏机器学习时，需要把数据保存为格式的array对象，针对⼿写数字识别这个案例，scikit-learn已经为我们转换好了，把特征数据保存在digits.data数据⾥，可以通过来查看它的数据格式。
print("shape of raw image_data:{0}".format(digits.images.shape))
print("shape if data:{0}".format(digits.data.shape))
输出：
shape of raw image_data:(1797,8,8)
shape if data:(1797,64)
2. 划分训练集和测试集
在开始训练我们的模型之前，需要先把数据集分成 和 。我们可以使⽤下⾯的代码吧数据集分出20%作为测试数据集，80%作为训练数据集。
del_lection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(digits.data,digits.target,test_size=0.20,random_state=2)
3. 训练模型
⼀旦我们拥有独⽴的训练集和测试集，我们就可以使⽤ 学习机器学习模型。我们将使⽤ 来测试模型，通过准确度指标⽐较模型的好坏。
from sklearn.linear_model import LogisticRegression
歧路亡羊翻译# 求出逻辑回归 Logistic 的精确度得分
clf=LogisticRegression(solver='lbfgs',multi_class='ovr',max_iter=5000,random_state=42)
clf.fit(X_train,y_train)
输出：
LogisticRegression(C=1.0, class_weight=None, dual=Fal, fit_intercept=True,
intercept_scaling=1, max_iter=5000, multi_class='ovr',
n_jobs=None, penalty='l2', random_state=42, solver='lbfgs',
tol=0.0001, verbo=0, warm_start=Fal)
4. 测试模型
accuracy=clf.score(X_test,y_test)
print('Accuracy score of the {} is {:.2f}'.format(clf.__class__.__name__,accuracy))
输出：
Accuracy score of the LogisticRegression is0.94
除此之外，还可以直接把测试数据集⾥的部分图⽚显⽰出来，并且在图⽚的左下⾓显⽰预测值，右下⾓显⽰真实值。什么叫ko
y_pred=clf.predict(X_test)
fig,axes=plt.subplots(4,4,figsize=(8,8))
fig.subplots_adjust(hspace=0.1,wspace=0.1)
for i,ax in enumerate(axes.flat):
ax.imshow(X_test[i].reshape(8,8),ay_r,interpolation='nearest')
<(0.05,0.05,str(y_pred[i]),fontsize=32,ansAxes,
color='green'if y_pred[i]== y_test[i]el'red')
<(0.8,0.05,str(y_test[i]),fontsize=32,ansAxes,color='black')
ax.t_xticks([])
ax.t_yticks([])
输出：
从图中可以看出，第⼆⾏第⼀个的出现错误，预测值与真实值不同。
5. 模型保存与加载
当我们对模型的准确度感到满意后，就可以把模型保存下来。这样下次需要预测时，可以直接加载模型来进⾏预测，⽽不是重新训练⼀遍模型。
karisma可以使⽤下⾯的代码来保存模型：
als import joblib
joblib.dump(clf,'digits_svm.pkl')
输出：
['digits_svm.pkl']
当我们需要这个模型来进⾏预测时，直接加载模型即可进⾏预测。
clf2=joblib.load('digits_svm.pkl')
clf2.score(X_test,y_test)
输出：
0.9361111111111111
6. 模型的轻松更改
scikit-learn的模型API在应⽤中是相似的。因此，我们通过随机森林分类器RandomForestClassifier轻松替换逻辑归回
LogisticRegression分类器。这些更改很⼩，仅与分类器实例的创建有关。
ble import RandomForestClassifier # RandomForestClassifier轻松替换LogisticRegression分类器
clf = RandomForestClassifier(n_estimators=100, n_jobs=-1, random_state=42)
clf.fit(X_train, y_train)
accuracy = clf.score(X_test, y_test)
print('Accuracy score of the {} is {:.2f}'.format(clf.__class__.__name__, accuracy))
输出：
Accuracy score of the RandomForestClassifier is0.96
treehou练习
加载乳腺癌数据集。从 导⼊函数 。
from sklearn.datats import load_breast_cancer
breast = load_breast_cancer()
使⽤
拆分数据集，其中训练集占70%，测试集占30％。
del_lection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(breast.data,breast.target,test_size=0.30,random_state=2)
使⽤梯度提升分类器 训练数据。
ble import GradientBoostingClassifier
clf = GradientBoostingClassifier(n_estimators=100, random_state=0)
clf.fit(X_train, y_train)
输出：
GradientBoostingClassifier(criterion='friedman_m', init=None,
learning_rate=0.1, loss='deviance', max_depth=3,
max_features=None, max_leaf_nodes=None,
min_impurity_decrea=0.0, min_impurity_split=None,femen
埃克曼螺线
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=100,
n_iter_no_change=None, presort='auto', random_state=0,
subsample=1.0, tol=0.0001, validation_fraction=0.1,
verbo=0, warm_start=Fal)
使⽤分类器预测测试集的分类标签。
y_pred = clf.predict(X_test)
您需要从 导⼊ ，计算测试集的 精度。
ics import balanced_accuracy_score
ics import accuracy_score
accuracy = balanced_accuracy_score(y_test, y_pred)
bbc英剧
# accuracy = accuracy_score(y_test, y_pred)
print('Accuracy score of the {} is {:.2f}'.format(clf.__class__.__name__, accuracy))输出：
Accuracy score of the GradientBoostingClassifier is0.94
# Accuracy score of the GradientBoostingClassifier is 0.95
预测评分的⽅法包括三种：
(1) model.score(X_test, y_test)
(2) accuracy_score(y_test, y_pred)
(3) balanced_accuracy_score(y_test, y_pred)
（完。）
