Scikit-learn使用总结

估计器（Estimator）

估计器，很多时候可以直接理解成分类器，主要包含两个函数：

fit()：训练算法，设置内部参数。接收训练集和类别两个参数。

predict()：预测测试集类别，参数为测试集。

大多数scikit-learn估计器接收和输出的数据格式均为numpy数组或类似格式。

转换器（Transformer）

转换器用于数据预处理和数据转换，主要是三个方法：

fit()：训练算法，设置内部参数。

transform()：数据转换。

fit_transform()：合并fit和transform两个方法。

流水线（Pipeline）

跟踪记录各步骤的操作（以方便地重现实验结果）

对各步骤进行一个封装

确保代码的复杂程度不至于超出掌控范围

基本使用方法

流水线的输入为一连串的数据挖掘步骤，其中最后一步必须是估计器，前几步是转换器。输入的数据集经过转换器的处理后，输出的结果作为下一步的输入。最后，用位于流水线最后一步的估计器对数据进行分类。

每一步都用元组（ ‘名称’，步骤）来表示:

scaling_pipeline = Pipeline([
('scale', MinMaxScaler()),
('predict', KNeighborsClassifier())
])

预处理

主要在sklearn.preprcessing包下。

规范化：

MinMaxScaler :最大最小值规范化

Normalizer :使每条数据各特征值的和为1

StandardScaler :为使各特征的均值为0，方差为1

编码：

LabelEncoder ：把字符串类型的数据转化为整型

OneHotEncoder ：特征用一个二进制数字来表示

Binarizer :为将数值型特征的二值化

MultiLabelBinarizer：多标签二值化

特征

特征抽取

包：sklearn.feature_extraction

特征抽取是数据挖掘任务最为重要的一个环节，一般而言，它对最终结果的影响要高过数据挖掘算法本身。只有先把现实用特征表示出来，才能借助数据挖掘的力量找到问题的答案。特征选择的另一个优点在于：降低真实世界的复杂度，模型比现实更容易操纵。

一般最常使用的特征抽取技术都是高度针对具体领域的，对于特定的领域，如图像处理，在过去一段时间已经开发了各种特征抽取的技术，但这些技术在其他领域的应用却非常有限。

DictVectorizer： 将dict类型的list数据，转换成numpy array

FeatureHasher ： 特征哈希，相当于一种降维技巧

image：图像相关的特征抽取

text： 文本相关的特征抽取

text.CountVectorizer：将文本转换为每个词出现的个数的向量

text.TfidfVectorizer：将文本转换为tfidf值的向量

text.HashingVectorizer：文本的特征哈希

特征选择

包：sklearn.feature_selection

特征选择的原因如下：

(1)降低复杂度

(2)降低噪音

(3)增加模型可读性

VarianceThreshold： 删除特征值的方差达不到最低标准的特征

SelectKBest： 返回k个最佳特征

SelectPercentile： 返回表现最佳的前r%个特征

单个特征和某一类别之间相关性的计算方法有很多。最常用的有卡方检验（χ2）。其他方法还有互信息和信息熵。

chi2： 卡方检验（χ2）

降维

包：sklearn.decomposition

主成分分析算法（Principal Component Analysis， PCA）的目的是找到能用较少信息描述数据集的特征组合。它意在发现彼此之间没有相关性、能够描述数据集的特征，确切说这些特征的方差跟整体方差没有多大差距，这样的特征也被称为主成分。这也就意味着，借助这种方法，就能通过更少的特征捕获到数据集的大部分信息。

组合

包：sklearn.ensemble

组合技术即通过聚集多个分类器的预测来提高分类准确率。

常用的组合分类器方法：

(1)通过处理训练数据集。即通过某种抽样分布，对原始数据进行再抽样，得到多个训练集。常用的方法有装袋（bagging）和提升（boosting）。

(2)通过处理输入特征。即通过选择输入特征的子集形成每个训练集。适用于有大量冗余特征的数据集。随机森林（Random forest）就是一种处理输入特征的组合方法。

(3)通过处理类标号。适用于多分类的情况，将类标号随机划分成两个不相交的子集，再把问题变为二分类问题，重复构建多次模型，进行分类投票。

BaggingClassifier： Bagging分类器组合

BaggingRegressor： Bagging回归器组合

AdaBoostClassifier： AdaBoost分类器组合

AdaBoostRegressor： AdaBoost回归器组合

GradientBoostingClassifier：GradientBoosting分类器组合

GradientBoostingRegressor： GradientBoosting回归器组合

ExtraTreeClassifier：ExtraTree分类器组合

ExtraTreeRegressor： ExtraTree回归器组合

RandomTreeClassifier：随机森林分类器组合

RandomTreeRegressor： 随机森林回归器组合

使用举例

AdaBoostClassifier(DecisionTreeClassifier(max_depth=1),
algorithm="SAMME",
n_estimators=200)

装袋（bagging）：根据均匀概率分布从数据集中重复抽样（有放回），每个自助样本集和原数据集一样大，每个自助样本集含有原数据集大约63%的数据。训练k个分类器，测试样本被指派到得票最高的类。

提升（boosting）：通过给样本设置不同的权值，每轮迭代调整权值。不同的提升算法之间的差别，一般是（1）如何更新样本的权值，（2）如何组合每个分类器的预测。其中Adaboost中，样本权值是增加那些被错误分类的样本的权值，分类器C_i的重要性依赖于它的错误率。

Boosting主要关注降低偏差，因此Boosting能基于泛化性能相当弱的学习器构建出很强的集成；Bagging主要关注降低方差，因此它在不剪枝的决策树、神经网络等学习器上效用更为明显。偏差指的是算法的期望预测与真实预测之间的偏差程度，反应了模型本身的拟合能力；方差度量了同等大小的训练集的变动导致学习性能的变化，刻画了数据扰动所导致的影响。

模型评估（度量）

包：sklearn.metrics

sklearn.metrics包含评分方法、性能度量、成对度量和距离计算。

分类结果度量

参数大多是y_true和y_pred。

accuracy_score：分类准确度

condusion_matrix ：分类混淆矩阵

classification_report：分类报告

precision_recall_fscore_support：计算精确度、召回率、f、支持率

jaccard_similarity_score：计算jcaard相似度

hamming_loss：计算汉明损失

zero_one_loss：0-1损失

hinge_loss：计算hinge损失

log_loss：计算log损失

其中，F1是以每个类别为基础进行定义的，包括两个概念：准确率（precision）和召回率（recall）。准确率是指预测结果属于某一类的个体，实际属于该类的比例。召回率是被正确预测为某类的个体，与数据集中该类个体总数的比例。F1是准确率和召回率的调和平均数。

回归结果度量

explained_varicance_score：可解释方差的回归评分函数

mean_absolute_error：平均绝对误差

mean_squared_error：平均平方误差

多标签的度量

coverage_error：涵盖误差

label_ranking_average_precision_score：计算基于排名的平均误差Label ranking average precision (LRAP)

聚类的度量

adjusted_mutual_info_score：调整的互信息评分

silhouette_score：所有样本的轮廓系数的平均值

silhouette_sample：所有样本的轮廓系数

交叉验证

包：sklearn.cross_validation

KFold：K-Fold交叉验证迭代器。接收元素个数、fold数、是否清洗

LeaveOneOut：LeaveOneOut交叉验证迭代器

LeavePOut：LeavePOut交叉验证迭代器

LeaveOneLableOut：LeaveOneLableOut交叉验证迭代器

LeavePLabelOut：LeavePLabelOut交叉验证迭代器

LeaveOneOut(n) 相当于 KFold(n, n_folds=n) 相当于LeavePOut(n, p=1)。

LeaveP和LeaveOne差别在于leave的个数，也就是测试集的尺寸。LeavePLabel和LeaveOneLabel差别在于leave的Label的种类的个数。

LeavePLabel这种设计是针对可能存在第三方的Label，比如我们的数据是一些季度的数据。那么很自然的一个想法就是把1,2,3个季度的数据当做训练集，第4个季度的数据当做测试集。这个时候只要输入每个样本对应的季度Label，就可以实现这样的功能。

常用方法

train_test_split：分离训练集和测试集（不是K-Fold）

cross_val_score：交叉验证评分，可以指认cv为上面的类的实例

cross_val_predict：交叉验证的预测。

创建自己的转换器

在特征抽取的时候，经常会发现自己的一些数据预处理的方法，sklearn里可能没有实现，但若直接在数据上改，又容易将代码弄得混乱，难以重现实验。这个时候最好自己创建一个转换器，在后面将这个转换器放到pipeline里，统一管理。

from sklearn.base import TransformerMixin
from sklearn.utils import as_float_array

class MeanDiscrete(TransformerMixin):

#计算出数据集的均值，用内部变量保存该值。
def fit(self, X, y=None):
X = as_float_array(X)
self.mean = np.mean(X, axis=0)
#返回self，确保在转换器中能够进行链式调用（例如调用transformer.fit(X).transform(X)）
return self

def transform(self, X):
X = as_float_array(X)
assert X.shape[1] == self.mean.shape[0]
return X > self.mean

实例

pipe_lr = Pipeline([('sc', StandardScaler()),
('pca', PCA(n_components=2)),
('clf', LogisticRegression(random_state=1))
])
pipe_lr.fit(X_train, y_train)

pipe_lr.fit(X_train, y_train)时，首先由StandardScaler在训练集上依次执行 fit和transform方法，transformed后的数据又被传递给Pipeline对象的下一步，也即PCA()。和StandardScaler一样，PCA也是执行fit和transform方法，最终将转换后的数据传递给 LosigsticRegression。整个流程如下图所示：