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

酒店用机器学习,预测哪些客人会放鸽子

如今,大数据已经被各行各业所应用,酒店行业也不例外。充分利用大数据,使得酒店能够预测市场需求变化,进行智能化决策分析,改善经营状况。

神经小兮 ·  2021-03-30 23:10:47
注意这个数据科学错误,避免30多个小时的无用功……

下面这个模型在一项图像识别竞赛中经过了数天训练。这是个相对比较简单的模型,其AUC最初是0.9,符合比赛将AUC控制在0到1之间的要求,除此之外我对比赛也没有太高的期望。

读芯术 ·  2021-03-24 13:23:31
为什么说Python是最适合机器学习项目的语言?

Python 在全球范围内持续流行,本文将介绍为什么程序员们都喜欢用它的原因,以及为什么Python适合机器学习。

为AI呐喊 ·  2021-03-09 15:21:13
Python深度学习:为什么要学习深度学习?

深度学习是机器学习与神经网络、人工智能、图形化建模、优化、模式识别和信号处理等技术融合后产生的一个领域。在严谨的学术期刊中,这个新兴学科的模型一直受严肃理智的学者所推崇:"深度学习网络是神经网络革命性的发展,人们甚至认为可以用它来创建更强大的预测模型。”

异步社区 ·  2021-03-08 11:28:59
2021年影响企业的自然语言处理趋势

如今自然语言技术越来越多地在企业中得到应用。很多公司推出了大量文本分析解决方案、语音识别系统、聊天机器人以及所有可以令人想象的语言处理用例。

李睿 ·  2021-03-03 09:00:00
机器学习中分类任务的常用评估指标和Python代码实现

假设您的任务是训练ML模型,以将数据点分类为一定数量的预定义类。 一旦完成分类模型的构建,下一个任务就是评估其性能。 有许多指标可以帮助您根据用例进行操作。 在此文章中,我们将尝试回答诸如何时使用? 它是什么? 以及如何实施?

deephub ·  2021-02-14 14:31:35
用Python神经网络预测汽车保险支出

在本教程中,您将发现如何为瑞典汽车保险回归数据集开发多层Perceptron神经网络模型。

沂水寒城 ·  2021-02-07 09:40:19
数据科学与人工智能从业者如何提升编程能力

本文介绍培养和提高我的编程能力的方法。这里将提供5种可以用来提高编程技能的策略。

大数据文摘 ·  2021-01-29 12:40:36
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载