机器学习实战

机器学习实战(用Scikit-learn和TensorFlow进行机器学习)

一、简介

Scikit-learn集成了很多机器学习需要使用的函数，学习Scikit-learn能简洁、快速写出机器学习程序。并且通过代码更加深入的了解机器学习模型，学习如何处理数据，如何选择模型，如何选择和调整模型参数。

二、配置必要的环境

1、推荐安装Anaconda（集成Python和很多有用的Package）

2、编辑器：Spyder 或 Pycharm 或 Jupyter Notebook

三、开始实战（处理CSV表格数据）

1、下载数据

数据集为房屋信息housing，代码运行后，会下载一个tgz文件，然后用tarfile解压，解压后目录中会有一个housing.scv文件（可以自行用excel打开看看），下载代码为：

import os

import tarfile

from six.moves import urllib

DOWNLOAD_ROOT =

"https:///ageron/handson-ml/master/"

HOUSING_PATH = "datasets/housing"

HOUSING_URL = DOWNLOAD_ROOT + HOUSING_PATH + "/housing.tgz"

def fetch_housing_data(housing_url=HOUSING_URL,

housing_path=HOUSING_PATH):

if not os.path.isdir(housing_path):

os.makedirs(housing_path)

tgz_path = os.path.join(housing_path, "housing.tgz")

urllib.request.urlretrieve(housing_url, tgz_path)

housing_tgz = tarfile.open(tgz_path)

housing_tgz.extractall(path=housing_path)

housing_tgz.close()

fetch_housing_data()

2、读入数据

通过panda库读取csv文件。

import pandas as pd

def load_housing_data(housing_path=HOUSING_PATH):

csv_path = os.path.join(housing_path, "housing.csv")

return pd.read_csv(csv_path)

housing = load_housing_data()

3、观察数据

载入数据以后，首先就是要观察数据是否成功导入，是否存在缺失值，是否存在异常值，数据的特征呈现何种分布等。

head()输出前5个数据和表头

head()可以查看数据是否成功导入，并可以查看数据包含哪些特征以及特征的形式大概是怎么样的。

housing.head()

输出结果

info()输出每个特征的元素总个数以及类型信息等

info()可以查看每个特征的元素总个数，因此可以查看某个特征是否存在缺失值。还可以

查看数据的类型以及内存占用情况。

()

输出结果

可以看到total_bedrooms特征总个数为20433，而不是20640，所以存在缺失值。除了ocean_proximity为object类型（一般为一些文字label）以外，其余特征都为浮点型(float64)

value_counts()统计特征中每个元素的总个数

value_counts()一般用在统计有有限个元素的特征（如标签label，地区等）

housing["ocean_proximity"].value_counts()

输出结果

可以看到ocean_proximity特征元素分为5类，以及每一类的总个数。

describe()可以看实数特征的统计信息

describe()可以看实数特征的最大值、最小值、平均值、方差、总个数、25%，50%，75%

小值。

housing.describe()

输出结果

其中count为总个数，mean为平均值，std为标准差，min为最小值，max为最大值，25%，50%，75%为第25%，50%，75%的最小值。

hist()输出实数域的直方图

同过hist()生成直方图，能够查看实数特征元素的分布情况。

import matplotlib.pyplot as plt

housing.hist(bins=50, figsize=(20,15))

plt.show()

输出结果

可以看到第一个图的分布为两个峰；第二、三个图近似为长尾分布（Long-tailed distributions）。

需要注意：hist()函数需要配合matplotlib包使用

4、分开训练和测试集

为了最终验证模型是否具有推广泛化能力，需要分开训练集于测试集，假设将数据集分为80%训练，20%测试。下面为一种普遍的分开数据集的代码：

import numpy as np

def split_train_test(data, test_ratio):

shuffled_indices = np.random.permutation(len(data))

test_set_size = int(len(data) * test_ratio)

test_indices = shuffled_indices[:test_set_size]

train_indices = shuffled_indices[test_set_size:]

return data.iloc[train_indices],

data.iloc[test_indices]

train_set, test_set = split_train_test(housing, 0.2)

print(len(train_set), "train +", len(test_set),

"test")

这虽然能正确的分开训练、测试集，但是如果重新运行程序，训练和测试集会不一样。假设在原来模型的基础上继续训练，则不能保证测试集没有被模型训练过，因此不能验证模型效果。下面有两种方案：

方案一：使用在shuffle之前（即permutation），调用np.random.seed(42)，则每次运行shuffle的结果一样（即训练、测试集一样）。但是如果新增加了一些数据集，则这个方案将不可用。

方案二：为了解决方案一的问题，采用每个样本的识别码（可以是ID，可以是行号）来决定是否放入测试集，例如计算识别码的hash值，取hash值得最后一个字节（0~255），如果该值小于一个数（20% * 256）则放入测试集。这样，这20%的数据不会包含训练过的样本。具体代码如下：

def test_set_check(identifier, test_ratio, hash):

return hash(np.int64(identifier)).digest()[-1] < 256 *

test_ratio

def split_train_test_by_id(data, test_ratio,

id_column, hash=hashlib.md5):

ids = data[id_column]