1. 数据
- 表格类数据 tabular data
- 互相独立,互不影响
- 离散型数据的数字化:
- zero index(状态很少时)
- 0,1,2,…, N-1
- one - hot(状态比较多时)
- 1个特征变N个特征
- [0, 0, 1, …, 0]
- zero index(状态很少时)
- 连续型数据的数字化问题:
- 直接使用原始数据即可
- 预处理:
- 中心化:
- 以零为中心,正负都有
- x - mu
- 归一化:
- 把数据变为[0, 1]
- (x - _min) / (_max - _min)
- 规范化:
- 减去均值,除以标准差
- (x - mu) / sigma
- 中心化:
2. 模型
- 分类:
KNN(K紧邻)
- 简单,好理解
- 规则+数据(非典型人工智能算法)
- 惰性计算
- 训练时很快
- 预测时很慢
- 准确率中等
高斯朴素贝叶斯(GNB)
- 本质是利用了条件概率/贝叶斯公式
- 计算每个类别的概率,然后选择最大的
- 前提假设:
- 特征互相条件独立
- 满足高斯分布
- 使用概率密度函数的值代替概率
- 训练时很快
- 预测时很快
- 准确率偏低
决策树:
- 利用信息论中的熵的内涵
- 模型训练的过程,就是降低熵(混乱程度)的过程
- 分类问题:
- 信息熵(标准计算)
- -[p1log(p1) + p2log(p2) + … pn*log(pn)]
- 基尼系数(工程化简)
- [p1*(1-p1) + p2*(1-p2) + … + pn*(1-pn)]
- 信息熵(标准计算)
- 回归问题:
- 方差
- 剪枝算法:
- 样本越多,越容易构建出一棵很复杂的树!
- 如果不加限制,决策树会一直分裂到底,容易过拟合,层数很深
- 策略:限制最大深度;每次分裂的最小样本数等
- 好处:算法可以很复杂,也可以很简单!!!
- 这是集成学习的基础!!!
- 训练时速度中等
- 推理时速度较快
- 解释性比较好,树的每一次判断都清晰可见
- 可以对特征进行重要性排序
支持向量机
- 适合于:少样本、少特征!
- 最强个体!
- 把事儿办了 VS 把事儿办好
- 低维空间分不开的数据,映射到高纬分开!
- 训练时:很慢!
- 推理时:很慢!
- 准确率:很好!
逻辑回归:
- 属于深度学习!
- 二分类算法!
- 看上去非常二,实际上很重要!
- 打分函数!
- sigmoid概率模拟
随机森林:
- 集成学习!!!
- base estimator:
- 决策树
- 随机:
- 行级随机(对样本进行了随机采样)
- 列级随机(最多使用了根下N的特征)
- 森林:
- 多棵决策树构成(默认:100棵)
- Bagging + Voting 的融合体
- 训练时,速度比较快!
- 测试时,速度比较快!
- 准确率:比较好!
其它集成学习:
- AdaBoost
- GradientBoost
- XGBoost
- LightGBM
- …
- 回归:
- KNN
- 决策树
- 线性回归
- 支持向量机
- 随机森林
- 集成学习!!!
- 聚类:
- KMeans K均值算法
- 降维:
- PCA 主成分分析法
3. 流程
- 分析问题,搞定输入和输出;
- 输入:哪些特征?如何数字化?
- 输出:分类?回归?
- 根据输入和输出,构建数据集!
- 遴选一种算法,完成输入到输出的映射!
- 模型评估、部署、上线应用!
4. 代码(预测心血管疾病)
4.0 读入数据,数据规范化处理
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
import numpy as np
import time
# 读取数据
X=[]
y=[]
file_name='./心血管疾病数据集.csv'
with open(file = file_name,mode='r',encoding='utf8') as f:
line_first = np.array(f.readline().strip().split(','))
for line in f:
if line:
line = f.readline().strip().split(',')
X.append(line[:-1])
y.append(line[-1])
# 将数据转为numpy数组
X=np.array(X)
y=np.array(y)
# 把所有数据都转为float类型
X=X.astype(float)
y=y.astype(float)
# 删掉第1列id
X=X[:,1:]
# 切分数据
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)
# 数据预处理(规范化)
_mean = X_train.mean(axis=0)
_std = X_train.std(axis=0)
X_train = (X_train-_mean)/(_std+1e-9)
X_test = (X_test-_mean)/(_std+1e-9)
4.1 KNN
"""
测试1:KNN
"""
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=5)
# 取一个时间戳
start_fit = time.time()
knn.fit(X=X_train, y=y_train)
# 取一个时间戳
start_predict = time.time()
y_pred = knn.predict(X=X_test)
# 取一个时间戳
stop_predict = time.time()
# 评估
acc = ( y_pred== y_test).mean()
# 打印结果
print(f"""KNN:
--> 训练耗时:{start_predict-start_fit} 秒;
--> 推理耗时:{stop_predict-start_predict} 秒;
--> 准确率:{acc} ;""")
KNN:
–> 训练耗时:0.04751253128051758 秒;
–> 推理耗时:1.3453574180603027 秒;
–> 准确率:0.6402857142857142 ;
4.2 高斯朴素贝叶斯
"""
测试2:高斯朴素贝叶斯
"""
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
# 取一个时间戳
start_fit = time.time()
gnb.fit(X=X_train, y=y_train)
# 取一个时间戳
start_predict = time.time()
y_pred = gnb.predict(X=X_test)
# 取一个时间戳
stop_predict = time.time()
# 评估
acc = ( y_pred== y_test).mean()
# 打印结果
print(f"""GNB:
--> 训练耗时:{start_predict-start_fit} 秒;
--> 推理耗时:{stop_predict-start_predict} 秒;
--> 准确率:{acc} ;""")
GNB:
–> 训练耗时:0.009502649307250977 秒;
–> 推理耗时:0.0010018348693847656 秒;
–> 准确率:0.5931428571428572 ;
4.3 决策树
"""
测试3:决策树
"""
from sklearn.tree import DecisionTreeClassifier
dtc = DecisionTreeClassifier()
# 取一个时间戳
start_fit = time.time()
dtc.fit(X=X_train, y=y_train)
# 取一个时间戳
start_predict = time.time()
y_pred = dtc.predict(X=X_test)
# 取一个时间戳
stop_predict = time.time()
# 评估
acc = ( y_pred==y_test).mean()
# 打印结果
print(f"""DTC:
--> 训练耗时:{start_predict-start_fit} 秒;
--> 推理耗时:{stop_predict-start_predict} 秒;
--> 准确率:{acc} ;""")
DTC:
–> 训练耗时:0.11947154998779297 秒;
–> 推理耗时:0.002510547637939453 秒;
–> 准确率:0.6367142857142857 ;
4.4 随机森林
"""
测试4:随机森林
"""
from sklearn.ensemble import RandomForestClassifier
rfc = RandomForestClassifier()
# 取一个时间戳
start_fit = time.time()
rfc.fit(X=X_train, y=y_train)
# 取一个时间戳
start_predict = time.time()
y_pred = rfc.predict(X=X_test)
# 取一个时间戳
stop_predict = time.time()
# 评估
acc = ( y_pred==y_test).mean()
# 打印结果
print(f"""RFC:
--> 训练耗时:{start_predict-start_fit} 秒;
--> 推理耗时:{stop_predict-start_predict} 秒;
--> 准确率:{acc} ;""")
RFC:
–> 训练耗时:3.7813894748687744 秒;
–> 推理耗时:0.18322372436523438 秒;
–> 准确率:0.715 ;
4.5 支持向量机
"""
测试5:支持向量机
"""
from sklearn.svm import SVC
svc = SVC()
# 取一个时间戳
start_fit = time.time()
svc.fit(X=X_train, y=y_train)
# 取一个时间戳
start_predict = time.time()
y_pred = svc.predict(X=X_test)
# 取一个时间戳
stop_predict = time.time()
# 评估
acc = ( y_pred==y_test).mean()
# 打印结果
print(f"""SVC:
--> 训练耗时:{start_predict-start_fit} 秒;
--> 推理耗时:{stop_predict-start_predict} 秒;
--> 准确率:{acc} ;""")
SVC:
–> 训练耗时:22.884344339370728 秒;
–> 推理耗时:10.314218997955322 秒;
–> 准确率:0.7188571428571429 ;