如何将Scikit-learn Python库用于数据科学项目

作者: Dr.michael J.garbade 2018-10-15 09:10:09

https://s4.51cto.com/oss/201810/15/6431aaabce08aa01820840ab0d224dbd.jpeg

灵活多样的 Python 库为数据分析和数据挖掘提供了强力的机器学习工具。

Scikit-learn Python 库最初于 2007 年发布,通常用于解决各种方面的机器学习和数据科学问题。这个多种功能的库提供了整洁、一致、高效的 API 和全面的在线文档。

什么是 Scikit-learn?

Scikit-learn 是一个开源 Python 库,拥有强大的数据分析和数据挖掘工具。 在 BSD 许可下可用,并建立在以下机器学习库上:

  • NumPy,一个用于操作多维数组和矩阵的库。它还具有广泛的数学函数汇集,可用于执行各种计算。
  • SciPy,一个由各种库组成的生态系统,用于完成技术计算任务。
  • Matplotlib,一个用于绘制各种图表和图形的库。

Scikit-learn 提供了广泛的内置算法,可以充分用于数据科学项目。

以下是使用 Scikit-learn 库的主要方法。

1、分类

分类工具识别与提供的数据相关联的类别。例如,它们可用于将电子邮件分类为垃圾邮件或非垃圾邮件。

Scikit-learn 中的分类算法包括:

  • 支持向量机Support vector machines(SVM)
  • 最邻近Nearest neighbors
  • 随机森林Random forest

2、回归

回归涉及到创建一个模型去试图理解输入和输出数据之间的关系。例如,回归工具可用于理解股票价格的行为。

回归算法包括:

  • 支持向量机Support vector machines(SVM)
  • 岭回归Ridge regression
  • Lasso(LCTT 译注:Lasso 即 least absolute shrinkage and selection operator,又译为最小绝对值收敛和选择算子、套索算法)

3、聚类

Scikit-learn 聚类工具用于自动将具有相同特征的数据分组。 例如,可以根据客户数据的地点对客户数据进行细分。

聚类算法包括:

  • K-means
  • 谱聚类Spectral clustering
  • Mean-shift

4、降维

降维降低了用于分析的随机变量的数量。例如,为了提高可视化效率,可能不会考虑外围数据。

降维算法包括:

  • 主成分分析Principal component analysis(PCA)
  • 功能选择Feature selection
  • 非负矩阵分解Non-negative matrix factorization

5、模型选择

模型选择算法提供了用于比较、验证和选择要在数据科学项目中使用的***参数和模型的工具。

通过参数调整能够增强精度的模型选择模块包括:

  • 网格搜索Grid search
  • 交叉验证Cross-validation
  • 指标Metrics

6、预处理

Scikit-learn 预处理工具在数据分析期间的特征提取和规范化中非常重要。 例如,您可以使用这些工具转换输入数据(如文本)并在分析中应用其特征。

预处理模块包括:

  • 预处理
  • 特征提取

Scikit-learn 库示例

让我们用一个简单的例子来说明如何在数据科学项目中使用 Scikit-learn 库。

我们将使用鸢尾花花卉数据集,该数据集包含在 Scikit-learn 库中。 鸢尾花数据集包含有关三种花种的 150 个细节,三种花种分别为:

  • Setosa:标记为 0
  • Versicolor:标记为 1
  • Virginica:标记为 2

数据集包括每种花种的以下特征(以厘米为单位):

  • 萼片长度
  • 萼片宽度
  • 花瓣长度
  • 花瓣宽度

第 1 步:导入库

由于鸢尾花花卉数据集包含在 Scikit-learn 数据科学库中,我们可以将其加载到我们的工作区中,如下所示:

  1. from sklearn import datasets
  2. iris = datasets.load_iris()

这些命令从 sklearn 导入数据集 datasets 模块,然后使用 datasets 中的 load_iris() 方法将数据包含在工作空间中。

第 2 步:获取数据集特征

数据集 datasets 模块包含几种方法,使您更容易熟悉处理数据。

在 Scikit-learn 中,数据集指的是类似字典的对象,其中包含有关数据的所有详细信息。 使用 .data 键存储数据,该数据列是一个数组列表。

例如,我们可以利用 iris.data 输出有关鸢尾花花卉数据集的信息。

  1. print(iris.data)

这是输出(结果已被截断):

  1. [[5.1 3.5 1.4 0.2]
  2.  [4.9 3.  1.4 0.2]
  3.  [4.7 3.2 1.3 0.2]
  4.  [4.6 3.1 1.5 0.2]
  5.  [5.  3.6 1.4 0.2]
  6.  [5.4 3.9 1.7 0.4]
  7.  [4.6 3.4 1.4 0.3]
  8.  [5.  3.4 1.5 0.2]
  9.  [4.4 2.9 1.4 0.2]
  10.  [4.9 3.1 1.5 0.1]
  11.  [5.4 3.7 1.5 0.2]
  12.  [4.8 3.4 1.6 0.2]
  13.  [4.8 3.  1.4 0.1]
  14.  [4.3 3.  1.1 0.1]
  15.  [5.8 4.  1.2 0.2]
  16.  [5.7 4.4 1.5 0.4]
  17.  [5.4 3.9 1.3 0.4]
  18.  [5.1 3.5 1.4 0.3]

我们还使用 iris.target 向我们提供有关花朵不同标签的信息。

  1. print(iris.target)

这是输出:

  1. [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
  2.  0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
  3.  1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
  4.  2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
  5.  2 2]

如果我们使用 iris.target_names,我们将输出数据集中找到的标签名称的数组。

  1. print(iris.target_names)

以下是运行 Python 代码后的结果:

  1. ['setosa' 'versicolor' 'virginica']

第 3 步:可视化数据集

我们可以使用箱形图来生成鸢尾花数据集的视觉描绘。 箱形图说明了数据如何通过四分位数在平面上分布的。

以下是如何实现这一目标:

  1. import seaborn as sns
  2. box_data = iris.data # 表示数据数组的变量
  3. box_target = iris.target # 表示标签数组的变量
  4. sns.boxplot(data = box_data,width=0.5,fliersize=5)
  5. sns.set(rc={'figure.figsize':(2,15)})

让我们看看结果:

在横轴上:

  • 0 是萼片长度
  • 1 是萼片宽度
  • 2 是花瓣长度
  • 3 是花瓣宽度

垂直轴的尺寸以厘米为单位。

总结

以下是这个简单的 Scikit-learn 数据科学教程的完整代码。

  1. from sklearn import datasets
  2. iris = datasets.load_iris()
  3. print(iris.data)
  4. print(iris.target)
  5. print(iris.target_names)
  6. import seaborn as sns
  7. box_data = iris.data # 表示数据数组的变量
  8. box_target = iris.target # 表示标签数组的变量
  9. sns.boxplot(data = box_data,width=0.5,fliersize=5)
  10. sns.set(rc={'figure.figsize':(2,15)})

Scikit-learn 是一个多功能的 Python 库,可用于高效完成数据科学项目。

Python 编程语言 数据科学
上一篇:刷脸时代,你准备好了吗? 下一篇:我们在调研了500强上市公司后,总结出人工智能的七大趋势
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

为了顺应人工智能的潮流,该学Python还是C/C++?答案就在这里

人工智能在现代世界中变得越来越相似,其中一切都是由数据和自动化驱动的。我们将日常生活中的很大一部分用于与智能设备进行交互。人工智能是这一切的核心,它正在成为我们不断变化的生活方式中不可或缺的一部分。

编程小火车 ·  2019-10-15 06:47:46
大盘点:8月Github上7个值得关注的数据科学项目

本文带你来看看GitHub上创建于2019年8月的7个数据科学项目。笔者所选项目的范围十分广泛,涉及从机器学习到强化学习的诸多领域。

读芯术 ·  2019-10-14 15:41:37
2019年较热门的5大深度学习课程

今天,我们将和大家盘点一下,当下较流行的深度学习资源/课程,可以帮助你们提升深度学习技能。

猿哥 ·  2019-09-26 05:16:24
十个基本的Python数据科学软件包

过去五年人们对数据科学的兴趣显著上升。尽管有许多编程语言适合数据科学和机器学习,但Python是最受欢迎的。

布加迪 ·  2019-09-25 09:20:33
非结构化数据在人工智能中的作用

非结构化数据对人工智能系统的发展至关重要。人工智能系统与用户的沟通越好,就越能自主学习,因此,它的效率也就越高。这一点很重要,因为如果一个人工智能系统只要求用户以结构化的格式进行交互,那么它的组件将受到极大的限制。为了让人工智能成功,它必须理解杂乱的信息。

Harris ·  2019-09-25 08:35:21
人工智能和大数据存在什么隐患?

从数据稀缺到现在有大量的数据,近年来,可用的数据量呈指数级增长,大数据变得无处不在。这是由于数据记录设备数量的巨大增长,以及这些设备之间通过物联网连接。似乎每个人都有收集、分析大数据的力量。

佚名 ·  2019-09-25 07:34:10
民主化与自动化:降低机器学习门槛的六大工具

以下介绍的六种机器学习工具为那些使用数字、电子表格和数据的人们打开了通向机器学习世界的大门,而且不需要他们成为编程和数据科学方面的专家。

CashCat ·  2019-09-06 09:00:33
2019年你不可不知的十大Python库,可实现机器学习

在本文中,我们将讨论 Python 中的一些优选库,开发人员可以使用这些库来解析、清理和表示数据,并在现有应用中实现机器学习。

AI前线小组 译 ·  2019-07-30 08:02:57
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载