在機器學習和資料探勘的應用中，scikit-learn是一個功能強大的python包。在資料量不是過大的情況下，可以解決大部分問題。學習使用scikit-learn的過程中，我自己也在補充著機器學習和資料探勘的知識。這裡根據自己學習sklearn的經驗，我做一個總結的筆記。另外，我也想把這篇筆記一直更新下去。

1 scikit-learn基礎介紹

1.1 估計器（Estimator）

估計器，很多時候可以直接理解成分類器，主要包含兩個函式：

• fit()：訓練演算法，設定內部引數。接收訓練集和類別兩個引數。
• predict()：預測測試集類別，引數為測試集。
  大多數scikit-learn估計器接收和輸出的資料格式均為numpy陣列或類似格式。

1.2 轉換器（Transformer）

轉換器用於資料預處理和資料轉換，主要是三個方法：

• fit()：訓練演算法，設定內部引數。
• transform()：資料轉換。
• fit_transform()：合併fit和transform兩個方法。

1.3 流水線（Pipeline）

sklearn.pipeline包

流水線的功能：

• 跟蹤記錄各步驟的操作（以方便地重現實驗結果）
• 對各步驟進行一個封裝
• 確保程式碼的複雜程度不至於超出掌控範圍

基本使用方法

流水線的輸入為一連串的資料探勘步驟，其中最後一步必須是估計器，前幾步是轉換器。輸入的資料集經過轉換器的處理後，輸出的結果作為下一步的輸入。最後，用位於流水線最後一步的估計器對資料進行分類。
每一步都用元組（ ‘名稱’，步驟）來表示。現在來建立流水線。

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

1.4 預處理

主要在sklearn.preprcessing包下。

規範化：

• MinMaxScaler :最大最小值規範化
• Normalizer :使每條資料各特徵值的和為1
• StandardScaler :為使各特徵的均值為0，方差為1

編碼：

• LabelEncoder ：把字串型別的資料轉化為整型
• OneHotEncoder ：特徵用一個二進位制數字來表示
• Binarizer :為將數值型特徵的二值化
• MultiLabelBinarizer：多標籤二值化

1.5 特徵

1.5.1 特徵抽取

包：sklearn.feature_extraction
特徵抽取是資料探勘任務最為重要的一個環節，一般而言，它對最終結果的影響要高過資料探勘演算法本身。只有先把現實用特徵表示出來，才能藉助資料探勘的力量找到問題的答案。特徵選擇的另一個優點在於：降低真實世界的複雜度，模型比現實更容易操縱。
一般最常使用的特徵抽取技術都是高度針對具體領域的，對於特定的領域，如影像處理，在過去一段時間已經開發了各種特徵抽取的技術，但這些技術在其他領域的應用卻非常有限。

• DictVectorizer： 將dict型別的list資料，轉換成numpy array
• FeatureHasher ： 特徵雜湊，相當於一種降維技巧
• image：影像相關的特徵抽取
• text： 文字相關的特徵抽取
• text.CountVectorizer：將文字轉換為每個詞出現的個數的向量
• text.TfidfVectorizer：將文字轉換為tfidf值的向量
• text.HashingVectorizer：文字的特徵雜湊

示例

data.png

CountVectorize只數出現個數

count.png

hash.png

TfidfVectorizer：個數+歸一化（不包括idf）

tfidf(without idf).png

1.5.2 特徵選擇

包：sklearn.feature_selection
特徵選擇的原因如下：
(1)降低複雜度
(2)降低噪音
(3)增加模型可讀性

• VarianceThreshold： 刪除特徵值的方差達不到最低標準的特徵
• SelectKBest： 返回k個最佳特徵
• SelectPercentile： 返回表現最佳的前r%個特徵

單個特徵和某一類別之間相關性的計算方法有很多。最常用的有卡方檢驗（χ2）。其他方法還有互資訊和資訊熵。

• chi2： 卡方檢驗（χ2）

1.6 降維

包：sklearn.decomposition

• 主成分分析演算法（Principal Component Analysis， PCA）的目的是找到能用較少資訊描述資料集的特徵組合。它意在發現彼此之間沒有相關性、能夠描述資料集的特徵，確切說這些特徵的方差跟整體方差沒有多大差距，這樣的特徵也被稱為主成分。這也就意味著，藉助這種方法，就能通過更少的特徵捕獲到資料集的大部分資訊。

1.7 組合

包：sklearn.ensemble
組合技術即通過聚集多個分類器的預測來提高分類準確率。
常用的組合分類器方法：
(1)通過處理訓練資料集。即通過某種抽樣分佈，對原始資料進行再抽樣，得到多個訓練集。常用的方法有裝袋（bagging）和提升（boosting）。
(2)通過處理輸入特徵。即通過選擇輸入特徵的子集形成每個訓練集。適用於有大量冗餘特徵的資料集。隨機森林（Random forest）就是一種處理輸入特徵的組合方法。
(3)通過處理類標號。適用於多分類的情況，將類標號隨機劃分成兩個不相交的子集，再把問題變為二分類問題，重複構建多次模型，進行分類投票。

• BaggingClassifier： Bagging分類器組合
• BaggingRegressor： Bagging迴歸器組合
• AdaBoostClassifier： AdaBoost分類器組合
• AdaBoostRegressor： AdaBoost迴歸器組合
• GradientBoostingClassifier：GradientBoosting分類器組合
• GradientBoostingRegressor： GradientBoosting迴歸器組合
• ExtraTreeClassifier：ExtraTree分類器組合
• ExtraTreeRegressor： ExtraTree迴歸器組合
• RandomTreeClassifier：隨機森林分類器組合
• RandomTreeRegressor： 隨機森林迴歸器組合

使用舉例

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

解釋
裝袋（bagging）：根據均勻概率分佈從資料集中重複抽樣（有放回），每個自助樣本集和原資料集一樣大，每個自助樣本集含有原資料集大約63%的資料。訓練k個分類器，測試樣本被指派到得票最高的類。
提升（boosting）：通過給樣本設定不同的權值，每輪迭代調整權值。不同的提升演算法之間的差別，一般是（1）如何更新樣本的權值，（2）如何組合每個分類器的預測。其中Adaboost中，樣本權值是增加那些被錯誤分類的樣本的權值，分類器C_i的重要性依賴於它的錯誤率。
Boosting主要關注降低偏差，因此Boosting能基於泛化效能相當弱的學習器構建出很強的整合；Bagging主要關注降低方差，因此它在不剪枝的決策樹、神經網路等學習器上效用更為明顯。偏差指的是演算法的期望預測與真實預測之間的偏差程度，反應了模型本身的擬合能力；方差度量了同等大小的訓練集的變動導致學習效能的變化，刻畫了資料擾動所導致的影響。

1.8 模型評估（度量）

包：sklearn.metrics
sklearn.metrics包含評分方法、效能度量、成對度量和距離計算。
分類結果度量
引數大多是y_true和y_pred。

• accuracy_score：分類準確度
• condusion_matrix ：分類混淆矩陣
• classification_report：分類報告
• precision_recall_fscore_support：計算精確度、召回率、f、支援率
• jaccard_similarity_score：計算jcaard相似度
• hamming_loss：計算漢明損失
• zero_one_loss：0-1損失
• hinge_loss：計算hinge損失
• log_loss：計算log損失

其中，F1是以每個類別為基礎進行定義的，包括兩個概念：準確率（precision）和召回率（recall）。準確率是指預測結果屬於某一類的個體，實際屬於該類的比例。召回率是被正確預測為某類的個體，與資料集中該類個體總數的比例。F1是準確率和召回率的調和平均數。

迴歸結果度量

• explained_varicance_score：可解釋方差的迴歸評分函式
• mean_absolute_error：平均絕對誤差
• mean_squared_error：平均平方誤差

多標籤的度量

• coverage_error：涵蓋誤差
• label_ranking_average_precision_score：計算基於排名的平均誤差Label ranking average precision (LRAP)

聚類的度量

• adjusted_mutual_info_score：調整的互資訊評分
• silhouette_score：所有樣本的輪廓係數的平均值
• silhouette_sample：所有樣本的輪廓係數

1.9 交叉驗證

包：sklearn.cross_validation

• KFold：K-Fold交叉驗證迭代器。接收元素個數、fold數、是否清洗
• LeaveOneOut：LeaveOneOut交叉驗證迭代器
• LeavePOut：LeavePOut交叉驗證迭代器
• LeaveOneLableOut：LeaveOneLableOut交叉驗證迭代器
• LeavePLabelOut：LeavePLabelOut交叉驗證迭代器

LeaveOneOut(n) 相當於 KFold(n, n_folds=n) 相當於LeavePOut(n, p=1)。
LeaveP和LeaveOne差別在於leave的個數，也就是測試集的尺寸。LeavePLabel和LeaveOneLabel差別在於leave的Label的種類的個數。
LeavePLabel這種設計是針對可能存在第三方的Label，比如我們的資料是一些季度的資料。那麼很自然的一個想法就是把1,2,3個季度的資料當做訓練集，第4個季度的資料當做測試集。這個時候只要輸入每個樣本對應的季度Label，就可以實現這樣的功能。
以下是實驗程式碼，儘量自己多實驗去理解。

#coding=utf-8
import numpy as np
import sklearnfrom sklearn
import cross_validation
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8],[9, 10]])
y = np.array([1, 2, 1, 2, 3])
def show_cross_val(method):    
  if method == "lolo":        
    labels = np.array(["summer", "winter", "summer", "winter", "spring"])        
    cv = cross_validation.LeaveOneLabelOut(labels)          
  elif method == 'lplo':        
    labels = np.array(["summer", "winter", "summer", "winter", "spring"])        
    cv = cross_validation.LeavePLabelOut(labels,p=2)    
  elif method == 'loo':        
    cv = cross_validation.LeaveOneOut(n=len(y))    
  elif method == 'lpo':        
    cv = cross_validation.LeavePOut(n=len(y),p=3)    
  for train_index, test_index in cv:        
    print("TRAIN:", train_index, "TEST:", test_index)        
    X_train, X_test = X[train_index], X[test_index]        
    y_train, y_test = y[train_index], y[test_index]        
    print "X_train: ",X_train        
    print "y_train: ", y_train        
    print "X_test: ",X_test        
    print "y_test: ",y_test
if __name__ == '__main__':    
  show_cross_val("lpo")

常用方法

• train_test_split：分離訓練集和測試集（不是K-Fold）
• cross_val_score：交叉驗證評分，可以指認cv為上面的類的例項
• cross_val_predict：交叉驗證的預測。

1.10 網格搜尋

包：sklearn.grid_search
網格搜尋最佳引數

• GridSearchCV：搜尋指定引數網格中的最佳引數
• ParameterGrid：引數網格
• ParameterSampler：用給定分佈生成引數的生成器
• RandomizedSearchCV：超參的隨機搜尋
  通過best_estimator_.get_params()方法，獲取最佳引數。

1.11 多分類、多標籤分類

包：sklearn.multiclass

• OneVsRestClassifier：1-rest多分類（多標籤）策略
• OneVsOneClassifier：1-1多分類策略
• OutputCodeClassifier：1個類用一個二進位制碼錶示
  示例程式碼

  #coding=utf-8
  from sklearn import metrics
  from sklearn import cross_validation
  from sklearn.svm import SVC
  from sklearn.multiclass import OneVsRestClassifier
  from sklearn.preprocessing import MultiLabelBinarizer
  import numpy as np
  from numpy import random
  X=np.arange(15).reshape(5,3)
  y=np.arange(5)
  Y_1 = np.arange(5)
  random.shuffle(Y_1)
  Y_2 = np.arange(5)
  random.shuffle(Y_2)
  Y = np.c_[Y_1,Y_2]
  def multiclassSVM():
    X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=0.2,random_state=0)
    model = OneVsRestClassifier(SVC())
    model.fit(X_train, y_train)
    predicted = model.predict(X_test)
    print predicted
  def multilabelSVM():
    Y_enc = MultiLabelBinarizer().fit_transform(Y)
    X_train, X_test, Y_train, Y_test = cross_validation.train_test_split(X, Y_enc, test_size=0.2, random_state=0)
    model = OneVsRestClassifier(SVC())
    model.fit(X_train, Y_train)
    predicted = model.predict(X_test)
    print predicted
  if __name__ == '__main__':
    multiclassSVM()
    # multilabelSVM()

  上面的程式碼測試了svm在OneVsRestClassifier的包裝下，分別處理多分類和多標籤的情況。特別注意，在多標籤的情況下，輸入必須是二值化的。所以需要MultiLabelBinarizer()先處理。

2 具體模型

2.1 樸素貝葉斯（Naive Bayes）

包：sklearn.cross_validation

樸素貝葉斯.png

樸素貝葉斯的特點是分類速度快，分類效果不一定是最好的。

• GasussianNB：高斯分佈的樸素貝葉斯
• MultinomialNB：多項式分佈的樸素貝葉斯
• BernoulliNB：伯努利分佈的樸素貝葉斯

所謂使用什麼分佈的樸素貝葉斯，就是假設P(x_i|y)是符合哪一種分佈，比如可以假設其服從高斯分佈，然後用最大似然法估計高斯分佈的引數。

高斯分佈.png

多項式分佈.png

伯努利分佈.png

3 scikit-learn擴充套件

3.0 概覽

具體的擴充套件，通常要繼承sklearn.base包下的類。

• BaseEstimator： 估計器的基類
• ClassifierMixin ：分類器的混合類
• ClusterMixin：聚類器的混合類
• RegressorMixin ：迴歸器的混合類
• TransformerMixin ：轉換器的混合類

關於什麼是Mixin（混合類），具體可以看這個知乎連結。簡單地理解，就是帶有實現方法的介面，可以將其看做是組合模式的一種實現。舉個例子，比如說常用的TfidfTransformer，繼承了BaseEstimator， TransformerMixin，因此它的基本功能就是單一職責的估計器和轉換器的組合。

3.1 建立自己的轉換器

在特徵抽取的時候，經常會發現自己的一些資料預處理的方法，sklearn裡可能沒有實現，但若直接在資料上改，又容易將程式碼弄得混亂，難以重現實驗。這個時候最好自己建立一個轉換器，在後面將這個轉換器放到pipeline裡，統一管理。
例如《Python資料探勘入門與實戰》書中的例子，我們想接收一個numpy陣列，根據其均值將其離散化，任何高於均值的特徵值替換為1，小於或等於均值的替換為0。
程式碼實現：

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

class MeanDiscrete(TransformerMixin):

  #計算出資料集的均值，用內部變數儲存該值。  
  def fit(self, X, y=None):
        X = as_float_array(X)
        self.mean = np.mean(X, axis=0)
        #返回self，確保在轉換器中能夠進行鏈式呼叫（例如呼叫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