苏州淘宝网站建设,徐州网站建设大前端,泰州东方医院男科,wordpress设置主题404模板本篇文章给大家带来的内容是关于Python中实现机器学习功能的四种方法介绍#xff0c;有一定的参考价值#xff0c;有需要的朋友可以参考一下#xff0c;希望对你有所帮助。
在本文中#xff0c;我们将介绍从数据集中选择要素的不同方法; 并使用Scikit-learn#xff08;skl…本篇文章给大家带来的内容是关于Python中实现机器学习功能的四种方法介绍有一定的参考价值有需要的朋友可以参考一下希望对你有所帮助。
在本文中我们将介绍从数据集中选择要素的不同方法; 并使用Scikit-learnsklearn库讨论特征选择算法的类型及其在Python中的实现 单变量特征选择
递归特征消除(RFE)
主成分分析PCA
特征选择 (feature importance)
单变量特征选择
统计测试可用于选择与输出变量具有最强关系的那些特征。
scikit-learn库提供SelectKBest类可以与一组不同的统计测试一起使用以选择特定数量的功能。
以下示例使用chi平方chi ^ 2统计检验非负特征来选择Pima Indians糖尿病数据集中的四个最佳特征#Feature Extraction with Univariate Statistical Tests (Chi-squared for classification)
#Import the required packages
#Import pandas to read csv import pandas
#Import numpy for array related operations import numpy
#Import sklearns feature selection algorithm
from sklearn.feature_selection import SelectKBest
#Import chi2 for performing chi square test from sklearn.feature_selection import chi2
#URL for loading the dataset
url https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians diabetes/pima-indians-diabetes.data
#Define the attribute names
names [preg, plas, pres, skin, test, mass, pedi, age, class]
#Create pandas data frame by loading the data from URL
dataframe pandas.read_csv(url, namesnames)
#Create array from data values
array dataframe.values
#Split the data into input and target
X array[:,0:8]
Y array[:,8]
#We will select the features using chi square
test SelectKBest(score_funcchi2, k4)
#Fit the function for ranking the features by score
fit test.fit(X, Y)
#Summarize scores numpy.set_printoptions(precision3) print(fit.scores_)
#Apply the transformation on to dataset
features fit.transform(X)
#Summarize selected features print(features[0:5,:])
每个属性的分数和所选的四个属性分数最高的分数plastestmass和age。
每个功能的分数[111.52 1411.887 17.605 53.108 2175.565 127.669 5.393
181.304]
特色[[148. 0. 33.6 50. ]
[85. 0. 26.6 31. ]
[183. 0. 23.3 32. ]
[89. 94. 28.1 21. ]
[137. 168. 43.1 33. ]]
递归特征消除(RFE)
RFE通过递归删除属性并在剩余的属性上构建模型来工作。它使用模型精度来识别哪些属性和属性组合对预测目标属性的贡献最大。以下示例使用RFE和逻辑回归算法来选择前三个特征。算法的选择并不重要只要它技巧性和一致性#Import the required packages
#Import pandas to read csv import pandas
#Import numpy for array related operations import numpy
#Import sklearns feature selection algorithm from sklearn.feature_selection import RFE
#Import LogisticRegression for performing chi square test from sklearn.linear_model import LogisticRegression
#URL for loading the dataset
url
https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-dia betes/pima-indians-diabetes.data
#Define the attribute names
names [preg, plas, pres, skin, test, mass, pedi, age, class]
#Create pandas data frame by loading the data from URL
dataframe pandas.read_csv(url, namesnames)
#Create array from data values
array dataframe.values
#Split the data into input and target
X array[:,0:8]
Y array[:,8]
#Feature extraction
model LogisticRegression() rfe RFE(model, 3)
fit rfe.fit(X, Y)
print(Num Features: %d% fit.n_features_) print(Selected Features: %s% fit.support_) print(Feature Ranking: %s% fit.ranking_)
执行后我们将获得Num Features: 3
Selected Features: [ True False False False False True True False]
Feature Ranking: [1 2 3 5 6 1 1 4]
您可以看到RFE选择了前三个功能如pregmass和pedi。这些在support_数组中标记为True并在ranking_数组中标记为选项1。
主成分分析PCA
PCA使用线性代数将数据集转换为压缩形式。通常它被认为是数据简化技术。PCA的一个属性是您可以选择转换结果中的维数或主成分数。
在以下示例中我们使用PCA并选择三个主要组件#Import the required packages
#Import pandas to read csv import pandas
#Import numpy for array related operations import numpy
#Import sklearns PCA algorithm
from sklearn.decomposition import PCA
#URL for loading the dataset
url
https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians diabetes/pima-indians-diabetes.data
#Define the attribute names
names [preg, plas, pres, skin, test, mass, pedi, age, class]
dataframe pandas.read_csv(url, namesnames)
#Create array from data values
array dataframe.values
#Split the data into input and target
X array[:,0:8]
Y array[:,8]
#Feature extraction
pca PCA(n_components3) fit pca.fit(X)
#Summarize components
print(Explained Variance: %s) % fit.explained_variance_ratio_
print(fit.components_)
您可以看到转换后的数据集三个主要组件与源数据几乎没有相似之处Explained Variance: [ 0.88854663 0.06159078 0.02579012]
[[ -2.02176587e-03 9.78115765e-02 1.60930503e-02 6.07566861e-02
9.93110844e-01 1.40108085e-02 5.37167919e-04 -3.56474430e-03]
[ -2.26488861e-02 -9.72210040e-01 -1.41909330e-01 5.78614699e-02 9.46266913e-02 -4.69729766e-02 -8.16804621e-04 -1.40168181e-01
[ -2.24649003e-02 1.43428710e-01 -9.22467192e-01 -3.07013055e-01 2.09773019e-02 -1.32444542e-01 -6.39983017e-04 -1.25454310e-01]]
特征选择 (feature importance)
特征重要性是用于使用训练有监督的分类器来选择特征的技术。当我们训练分类器例如决策树时我们会评估每个属性以创建分裂; 我们可以将此度量用作特征选择器。让我们详细了解它。
随机森林是最受欢迎的 机器学习方法之一因为它们具有相对较好的准确性稳健性和易用性。它们还提供了两种直接的特征选择方法 - 平均降低杂质和平均降低精度。
随机森林由许多决策树组成。决策树中的每个节点都是单个要素上的条件旨在将数据集拆分为两个以便类似的响应值最终出现在同一个集合中。选择局部最佳条件的度量称为杂质。对于分类它通常是基尼系数
杂质或信息增益/熵对于回归树它是方差。因此当训练树时可以通过每个特征减少树中的加权杂质的程度来计算它。对于森林可以对每个特征的杂质减少进行平均并且根据该度量对特征进行排序。
让我们看看如何使用随机森林分类器进行特征选择并评估特征选择前后分类器的准确性。我们将使用Otto数据集。
该数据集描述了超过61,000种产品的93个模糊细节这些产品分为10个产品类别例如时装电子产品等。输入属性是某种不同事件的计数。
目标是将新产品的预测作为10个类别中每个类别的概率数组并使用多类对数损失也称为交叉熵来评估模型。
我们将从导入所有库开始#Import the supporting libraries
#Import pandas to load the dataset from csv file
from pandas import read_csv
#Import numpy for array based operations and calculations
import numpy as np
#Import Random Forest classifier class from sklearn
from sklearn.ensemble import RandomForestClassifier
#Import feature selector class select model of sklearn
from sklearn.feature_selection
import SelectFromModel
np.random.seed(1)
让我们定义一种方法将数据集拆分为训练和测试数据; 我们将在训练部分训练我们的数据集测试部分将用于评估训练模型#Function to create Train and Test set from the original dataset def getTrainTestData(dataset,split):
np.random.seed(0) training [] testing []
np.random.shuffle(dataset) shape np.shape(dataset)
trainlength np.uint16(np.floor(split*shape[0]))
for i in range(trainlength): training.append(dataset[i])
for i in range(trainlength,shape[0]): testing.append(dataset[i])
training np.array(training) testing np.array(testing)
return training,testing
我们还需要添加一个函数来评估模型的准确性; 它将预测和实际输出作为输入来计算百分比准确度#Function to evaluate model performance
def getAccuracy(pre,ytest): count 0
for i in range(len(ytest)):
if ytest[i]pre[i]: count1
acc float(count)/len(ytest)
return acc
这是加载数据集的时间。我们将加载train.csv文件; 此文件包含超过61,000个训练实例。我们将在我们的示例中使用50000个实例其中我们将使用35,000个实例来训练分类器并使用15,000个实例来测试分类器的性能#Load dataset as pandas data frame
data read_csv(train.csv)
#Extract attribute names from the data frame
feat data.keys()
feat_labels feat.get_values()
#Extract data values from the data frame
dataset data.values
#Shuffle the dataset
np.random.shuffle(dataset)
#We will select 50000 instances to train the classifier
inst 50000
#Extract 50000 instances from the dataset
dataset dataset[0:inst,:]
#Create Training and Testing data for performance evaluation
train,test getTrainTestData(dataset, 0.7)
#Split data into input and output variable with selected features
Xtrain train[:,0:94] ytrain train[:,94] shape np.shape(Xtrain)
print(Shape of the dataset ,shape)
#Print the size of Data in MBs
print(Size of Data set before feature selection: %.2f MB%(Xtrain.nbytes/1e6))
我们在这里注意数据大小; 因为我们的数据集包含大约35000个具有94个属性的训练实例; 我们的数据集的大小非常大。让我们来看看Shape of the dataset (35000, 94)
Size of Data set before feature selection: 26.32 MB
如您所见我们的数据集中有35000行和94列超过26 MB数据。
在下一个代码块中我们将配置随机林分类器; 我们将使用250棵树最大深度为30随机要素的数量为7.其他超参数将是sklearn的默认值#Lets select the test data for model evaluation purpose
Xtest test[:,0:94] ytest test[:,94]
#Create a random forest classifier with the following Parameters
trees 250
max_feat 7
max_depth 30
min_sample 2
clf RandomForestClassifier(n_estimatorstrees,
max_featuresmax_feat,
max_depthmax_depth,
min_samples_split min_sample, random_state0,
n_jobs-1)
#Train the classifier and calculate the training time
import time
start time.time() clf.fit(Xtrain, ytrain) end time.time()
#Lets Note down the model training time
print(Execution time for building the Tree is: %f%(float(end)- float(start)))
pre clf.predict(Xtest)
Lets see how much time is required to train the model on the training dataset:
Execution time for building the Tree is: 2.913641
#Evaluate the model performance for the test data
acc getAccuracy(pre, ytest)
print(Accuracy of model before feature selection is %.2f%(100*acc))
我们模型的准确性是
特征选择前的模型精度为98.82
正如您所看到的我们正在获得非常好的准确性因为我们将近99的测试数据分类到正确的类别中。这意味着我们正在对15,000个正确类中的14,823个实例进行分类。
那么现在我的问题是我们是否应该进一步改进好吧为什么不呢如果可以的话我们肯定会寻求更多的改进; 在这里我们将使用功能重要性来选择功能。如您所知在树木构建过程中我们使用杂质测量来选择节点。选择具有最低杂质的属性值作为树中的节点。我们可以使用类似的标准进行特征选择。我们可以更加重视杂质较少的功能这可以使用sklearn库的feature_importances_函数来完成。让我们找出每个功能的重要性
#Once我们培养的模型中我们的排名将所有功能的功能在拉链feat_labelsclf.feature_importances_print(feature)
(id, 0.33346650420175183)
(feat_1, 0.0036186958628801214)
(feat_2, 0.0037243050888530957)
(feat_3, 0.011579217472062748)
(feat_4, 0.010297382675187445)
(feat_5, 0.0010359139416194116)
(feat_6, 0.00038171336038056165)
(feat_7, 0.0024867672489765021)
(feat_8, 0.0096689721610546085)
(feat_9, 0.007906150362995093)
(feat_10, 0.0022342480802130366)
正如您在此处所看到的每个要素都基于其对最终预测的贡献而具有不同的重要性。
我们将使用这些重要性分数来排列我们的功能; 在下面的部分中我们将选择功能重要性大于0.01的模型训练功能#Select features which have higher contribution in the final prediction
sfm SelectFromModel(clf, threshold0.01) sfm.fit(Xtrain,ytrain)
在这里我们将根据所选的特征属性转换输入数据集。在下一个代码块中我们将转换数据集。然后我们将检查新数据集的大小和形状#Transform input dataset
Xtrain_1 sfm.transform(Xtrain) Xtest_1 sfm.transform(Xtest)
#Lets see the size and shape of new dataset print(Size of Data set before feature selection: %.2f MB%(Xtrain_1.nbytes/1e6))
shape np.shape(Xtrain_1)
print(Shape of the dataset ,shape)
Size of Data set before feature selection: 5.60 MB Shape of the dataset (35000, 20)
你看到数据集的形状了吗在功能选择过程之后我们只剩下20个功能这将数据库的大小从26 MB减少到5.60 MB。这比原始数据集减少了约80。
在下一个代码块中我们将训练一个新的随机森林分类器它具有与之前相同的超参数并在测试数据集上进行测试。让我们看看修改训练集后得到的准确度#Model training time
start time.time() clf.fit(Xtrain_1, ytrain) end time.time()
print(Execution time for building the Tree is: %f%(float(end)- float(start)))
#Lets evaluate the model on test data
pre clf.predict(Xtest_1) count 0
acc2 getAccuracy(pre, ytest)
print(Accuracy after feature selection %.2f%(100*acc2))
Execution time for building the Tree is: 1.711518 Accuracy after feature selection 99.97
你能看到!! 我们使用修改后的数据集获得了99.97的准确率这意味着我们在正确的类中对14,996个实例进行了分类而之前我们只正确地对14,823个实例进行了分类。
这是我们在功能选择过程中取得的巨大进步; 我们可以总结下表中的所有结果评估标准在选择特征之前选择功能后功能数量9420
数据集的大小26.32 MB5.60 MB
训练时间2.91秒1.71秒
准确性98.8299.97
上表显示了特征选择的实际优点。您可以看到我们显着减少了要素数量从而降低了数据集的模型复杂性和维度。尺寸减小后我们的训练时间缩短最后我们克服了过度拟合问题获得了比以前更高的精度。
以上就是Python中实现机器学习功能的四种方法介绍的详细内容更多请关注php中文网其它相关文章本文转载于segmentfault如有侵犯请联系aphp.cn删除
