如何將 Scikit-learn Python 庫用於資料科學專案

靈活多樣的 Python 庫為資料分析和資料探勘提供了強力的機器學習工具。

Scikit-learn Python 庫最初於 2007 年釋出，通常用於解決各種方面的機器學習和資料科學問題。這個多種功能的庫提供了整潔、一致、高效的 API 和全面的線上文件。

什麼是 Scikit-learn？

Scikit-learn 是一個開源 Python 庫，擁有強大的資料分析和資料探勘工具。 在 BSD 許可下可用，並建立在以下機器學習庫上：

• NumPy，一個用於操作多維陣列和矩陣的庫。它還具有廣泛的數學函式彙集，可用於執行各種計算。
• SciPy，一個由各種庫組成的生態系統，用於完成技術計算任務。
• Matplotlib，一個用於繪製各種圖表和圖形的庫。

Scikit-learn 提供了廣泛的內建演算法，可以充分用於資料科學專案。

以下是使用 Scikit-learn 庫的主要方法。

1、分類

分類工具識別與提供的資料相關聯的類別。例如，它們可用於將電子郵件分類為垃圾郵件或非垃圾郵件。

Scikit-learn 中的分類演算法包括：

• 支援向量機Support vector machines（SVM）
• 最鄰近Nearest neighbors
• 隨機森林Random forest

2、迴歸

迴歸涉及到建立一個模型去試圖理解輸入和輸出資料之間的關係。例如，迴歸工具可用於理解股票價格的行為。

迴歸演算法包括：

• 支援向量機Support vector machines（SVM）
• 嶺迴歸Ridge regression
• Lasso（LCTT 譯註：Lasso 即 least absolute shrinkage and selection operator，又譯為最小絕對值收斂和選擇運算元、套索演算法）

3、聚類

Scikit-learn 聚類工具用於自動將具有相同特徵的資料分組。 例如，可以根據客戶資料的地點對客戶資料進行細分。

聚類演算法包括：

• K-means
• 譜聚類Spectral clustering
• Mean-shift

4、降維

降維降低了用於分析的隨機變數的數量。例如，為了提高視覺化效率，可能不會考慮外圍資料。

降維演算法包括：

• 主成分分析Principal component analysis（PCA）
• 功能選擇Feature selection
• 非負矩陣分解Non-negative matrix factorization

5、模型選擇

模型選擇演算法提供了用於比較、驗證和選擇要在資料科學專案中使用的最佳引數和模型的工具。

通過引數調整能夠增強精度的模型選擇模組包括：

• 網格搜尋Grid search
• 交叉驗證Cross-validation
• 指標Metrics

6、預處理

Scikit-learn 預處理工具在資料分析期間的特徵提取和規範化中非常重要。 例如，您可以使用這些工具轉換輸入資料（如文字）並在分析中應用其特徵。

預處理模組包括：

• 預處理
• 特徵提取

Scikit-learn 庫示例

讓我們用一個簡單的例子來說明如何在資料科學專案中使用 Scikit-learn 庫。

我們將使用鳶尾花花卉資料集，該資料集包含在 Scikit-learn 庫中。 鳶尾花資料集包含有關三種花種的 150 個細節，三種花種分別為：

• Setosa：標記為 0
• Versicolor：標記為 1
• Virginica：標記為 2

資料集包括每種花種的以下特徵（以釐米為單位）：

• 萼片長度
• 萼片寬度
• 花瓣長度
• 花瓣寬度

第 1 步：匯入庫

由於鳶尾花花卉資料集包含在 Scikit-learn 資料科學庫中，我們可以將其載入到我們的工作區中，如下所示：

from sklearn import datasets
iris = datasets.load_iris()

這些命令從 sklearn 匯入資料集 datasets 模組，然後使用 datasets 中的 load_iris() 方法將資料包含在工作空間中。

第 2 步：獲取資料集特徵

資料集 datasets 模組包含幾種方法，使您更容易熟悉處理資料。

在 Scikit-learn 中，資料集指的是類似字典的物件，其中包含有關資料的所有詳細資訊。 使用 .data 鍵儲存資料，該資料列是一個陣列列表。

例如，我們可以利用 iris.data 輸出有關鳶尾花花卉資料集的資訊。

print(iris.data)

這是輸出（結果已被截斷）：

[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]
 [4.6 3.1 1.5 0.2]
 [5.  3.6 1.4 0.2]
 [5.4 3.9 1.7 0.4]
 [4.6 3.4 1.4 0.3]
 [5.  3.4 1.5 0.2]
 [4.4 2.9 1.4 0.2]
 [4.9 3.1 1.5 0.1]
 [5.4 3.7 1.5 0.2]
 [4.8 3.4 1.6 0.2]
 [4.8 3.  1.4 0.1]
 [4.3 3.  1.1 0.1]
 [5.8 4.  1.2 0.2]
 [5.7 4.4 1.5 0.4]
 [5.4 3.9 1.3 0.4]
 [5.1 3.5 1.4 0.3]

我們還使用 iris.target 向我們提供有關花朵不同標籤的資訊。

print(iris.target)

這是輸出：

[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
 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
 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
 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
 2 2]

如果我們使用 iris.target_names，我們將輸出資料集中找到的標籤名稱的陣列。

print(iris.target_names)

以下是執行 Python 程式碼後的結果：

['setosa' 'versicolor' 'virginica']

第 3 步：視覺化資料集

我們可以使用箱形圖來生成鳶尾花資料集的視覺描繪。 箱形圖說明了資料如何通過四分位數在平面上分佈的。

以下是如何實現這一目標：

import seaborn as sns
box_data = iris.data  # 表示資料陣列的變數
box_target = iris.target  # 表示標籤陣列的變數
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={'figure.figsize':(2,15)})

讓我們看看結果：

在橫軸上：

• 0 是萼片長度
• 1 是萼片寬度
• 2 是花瓣長度
• 3 是花瓣寬度

垂直軸的尺寸以釐米為單位。

總結

以下是這個簡單的 Scikit-learn 資料科學教程的完整程式碼。

from sklearn import datasets
iris = datasets.load_iris()
print(iris.data)
print(iris.target)
print(iris.target_names)
import seaborn as sns
box_data = iris.data  # 表示資料陣列的變數
box_target = iris.target  # 表示標籤陣列的變數
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={'figure.figsize':(2,15)})

Scikit-learn 是一個多功能的 Python 庫，可用於高效完成資料科學專案。

如果您想了解更多資訊，請檢視 LiveEdu 上的教程，例如 Andrey Bulezyuk 關於使用 Scikit-learn 庫建立機器學習應用程式的視訊。

有什麼評價或者疑問嗎？ 歡迎在下面分享。

---

via: https://opensource.com/article/18/9/how-use-scikit-learn-data-science-projects

作者：Dr.Michael J.Garbade 選題：lujun9972 譯者：Flowsnow 校對：wxy

本文由 LCTT 原創編譯，Linux中國 榮譽推出