【導讀】眾所周知，Scikit-learn（以前稱為scikits.learn）是一個用于Python編程語言的免費軟件機器學習庫。它具有各種分類，回歸和聚類算法，包括支持向量機，隨機森林，梯度增強，k-means和DBSCAN，旨在與Python數值和科學庫NumPy和SciPy互操作。本文將帶你入門常見的機器學習分類算法——邏輯回歸、樸素貝葉斯、KNN、SVM、決策樹。

邏輯回歸 (Logistic regression)

邏輯回歸，盡管他的名字包含"回歸"，卻是一個分類而不是回歸的線性模型。邏輯回歸在文獻中也稱為logit回歸，最大熵分類或者對數線性分類器。下面將先介紹一下sklearn中邏輯回歸的接口：

class sklearn.linear_model.LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='warn', max_iter=100, multi_class='warn', verbose=0, warm_start=False, n_jobs=None)

常用參數講解：

penalty：懲罰項。一般都是"l1"或者"l2"。

dual：這個參數僅適用于使用liblinear求解器的"l2"懲罰項。 一般當樣本數大于特征數時，這個參數置為False。

C：正則化強度(較小的值表示更強的正則化)，必須是正的浮點數。

solver：參數求解器。一般的有{‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}。

multi_class：多分類問題轉化，如果使用"ovr"，則是將多分類問題轉換成多個二分類為題看待；如果使用"multinomial"，損失函數則會是整個概率分布的多項式擬合損失。

不常用的參數這里就不再介紹，想要了解細節介紹，可以sklearn的官網查看。

案例：

這里我使用sklearn內置的數據集——iris數據集，這是一個三分類的問題，下面我就使用邏輯回歸來對其分類：

from sklearn.datasets import load_irisfrom sklearn.linear_model import LogisticRegressionX, y = load_iris(return_X_y=True)clf = LogisticRegression(random_state=0, solver='lbfgs', multi_class='multinomial').fit(X, y)

上面我就訓練好了一個完整的邏輯回歸模型，我們可以用predict這個函數對測試集進行預測。

clf.predict(X[:2, :])

如果想知道預測的概率，可以通過predict_proba這個函數來進行預測。

clf.predict_proba(X[:2, :])

如果想知道我們預測的準確性，可以通過score這個函數來判斷我們的模型好壞。

clf.score(X, y)

樸素貝葉斯

樸素貝葉斯方法是一組基于貝葉斯定理的監督學習算法，在給定類變量值的情況下，樸素假設每對特征之間存在條件獨立性。下面我將介紹幾種樸素貝葉斯的方法。

1、高斯樸素貝葉斯 (GaussianNB)

高斯樸素貝葉斯的原理可以看這篇文章：

http://i.stanford.edu/pub/cstr/reports/cs/tr/79/773/CS-TR-79-773.pdf

這里，我將介紹如何使用sklearn來實現GaussianNB。

from sklearn import datasetsiris = datasets.load_iris()from sklearn.naive_bayes import GaussianNBgnb = GaussianNB()y_pred = gnb.fit(iris.data, iris.target).predict(iris.data)print("Number of mislabeled points out of a total %d points : %d" % (iris.data.shape[0],(iris.target != y_pred).sum()))

2、多項式樸素貝葉斯 (MultinomialNB/MNB)

這里我隨機生成一組數據，然后使用MultinomialNB算法來學習。

import numpy as npX = np.random.randint(50, size=(1000, 100))y = np.random.randint(6, size=(1000))from sklearn.naive_bayes import MultinomialNBclf = MultinomialNB()clf.fit(X, y)print(clf.predict(X[2:3]))

3、 互補樸素貝葉斯 (ComplementNB/CMB)

ComplementNB是標準多項式樸素貝葉斯(MNB)算法的一種改進，特別適用于不平衡數據集。具體來說，ComplementNB使用來自每個類的補充的統計信息來計算模型的權重。CNB的發明者通過實驗結果表明，CNB的參數估計比MNB的參數估計更穩定。此外，在文本分類任務上，CNB通常比MNB表現得更好(通常是相當大的優勢)。

CNB的sklearn接口：

class sklearn.naive_bayes.ComplementNB(alpha=1.0, fit_prior=True, class_prior=None, norm=False)

常用參數講解：

alpha：加性(拉普拉斯/Lidstone)平滑參數(無平滑為0)。

fit_prior：是否學習類先驗概率。若為假，則使用統一先驗。

class_prior：類的先驗概率。如果指定，則不根據數據調整先驗。

norm：是否執行權重的第二次標準化。

案例:

import numpy as npX = np.random.randint(50, size=(1000, 100))y = np.random.randint(6, size=(1000))from sklearn.naive_bayes import ComplementNBclf = ComplementNB()clf.fit(X, y)print(clf.predict(X[2:3]))

4、伯努利樸素貝葉斯 (BernoulliNB)

BernoulliNB實現了基于多元伯努利分布的數據的樸素貝葉斯訓練和分類算法。BernoulliNB可能在某些數據集上表現得更好，特別是那些文檔較短的數據集。BernoulliNB的sklearn與上面介紹的算法接口相似。

案例:

import numpy as npX = np.random.randint(50, size=(1000, 100))y = np.random.randint(6, size=(1000))from sklearn.naive_bayes import BernoulliNBclf = BernoulliNB()clf.fit(X, Y)print(clf.predict(X[2:3]))

K-Nearest Neighbors(KNN)

KNN基于每個查詢點的最近鄰居來實現學習，其中k是用戶指定的一個整數值。是最經典的機器學習算法之一。

KNN的skearn的接口如下：

class sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None, **kwargs)

常用參數講解：

n_neighbors：鄰居數，是KNN中最重要的參數。

algorithm：計算最近鄰的算法，常用算法有{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}。

案例:

from sklearn import datasetsiris = datasets.load_iris()from sklearn.neighbors import KNeighborsClassifierneigh = KNeighborsClassifier(n_neighbors=3)neigh.fit(iris.data, iris.target) print(neigh.predict((iris.data))print(neigh.predict_proba((iris.data))

支持向量機 (SVM)

支持向量機(SVMs)是一套用于分類、回歸和異常值檢測的監督學習方法。這里我將只介紹分類方法。支持向量機的優點是:在高維空間中有效；在維數大于樣本數的情況下仍然有效，因此對于小數據集，SVM可以表現出良好的性能。

SVM在sklearn上有三個接口，分別是 LinearSVC， SVC, 和 NuSVC。最常用的一般是SVC接口。

SVC的sklearn接口：

class sklearn.svm.SVC(C=1.0, kernel=’rbf’, degree=3, gamma=’auto_deprecated’, coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape=’ovr’, random_state=None)

常用參數講解：

C:錯誤項的懲罰參數C

kernel：核函數的選擇。常用的核函數有：‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’。

probability：預測時是否使用概率估計。

案例:

import numpy as npX = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])y = np.array([1, 1, 2, 2])from sklearn.svm import SVCclf = SVC(C=1,kernel='rbf',gamma='auto')clf.fit(X, y) print(clf.predict([[-0.8, -1]]))

拓展：SVM解決二分類問題具有得天獨厚的優勢，然而對于解決多分類問題卻很困難。常見的解決方案是“一對一”的方法解決多分類問題。具體地，假設 這個是一個 n_class的分類問題，則會構建 n_class*(n_class-1)/2個二分類，來解決這個多分類問題。

X = [[0], [1], [2], [3]]Y = [0, 1, 2, 3]clf = svm.SVC(gamma='scale', decision_function_shape='ovo')clf.fit(X, Y) dec = clf.decision_function([[1]])dec.shape[1] # 4 classes: 4*3/2 = 6clf.decision_function_shape = "ovr"dec = clf.decision_function([[1]])dec.shape[1] # 4 classes

決策樹

決策樹作為十大經典算法之一，能夠很好的處理多分類問題。

決策樹的sklearn接口：

class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, splitter=’best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, presort=False)

常用參數講解：

criterion：該函數用于衡量分割的依據。常見的有"gini"用來計算基尼系數和"entropy"用來計算信息增益。

max_depth：樹的最大深度。

min_samples_split：分割內部節點所需的最小樣本數。

min_samples_leaf：葉節點上所需的最小樣本數。

案例:

from sklearn.datasets import load_irisfrom sklearn.model_selection import cross_val_scorefrom sklearn.tree import DecisionTreeClassifierclf = DecisionTreeClassifier(random_state=0)iris = load_iris()clf.fit(iris.data, iris.target)clf.predict(iris.data)clf.predict_proba(iris.data)

總結

本文介紹了幾種常見的機器學習分類算法，如邏輯回歸，樸素貝葉斯，KNN，SVM，以及決策樹算法。同時，也用sklearn的python接口展示了各個算法使用案例。