第一个机器学习项目–分类问题

• 像一个优秀的工程师一样使用机器学习，而不要像一个机器学习专家一样使用机器学习方法。–Google

定义问题

数据理解

数据准备

评估算法：分离测试集和训练集

优化模型：调参、集成算法

结果部署：完成模型、执行模型、预测展示

1.导入数据

# 导入类库
from pandas import read_csv
from pandas.plotting import scatter_matrix
from matplotlib import pyplot
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
from sklearn.metrics import classification_report 
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.svm import SVC 

##下载数据集（http://archive.ics.uci.edu/ml/datasets/Iris)

# 导入数据
filename = 'iris.data.csv'
names = ['separ-length','separ-width','petal-length','petal-width','class']
dataset = read_csv(filename, names=names)

2.概述数据

（1）数据维度

（2）查看数据自身

（3）统计描述所有的数据特征

（4）数据分类的分布情况

# 显示数据维度
print('数据维度:行 %s,列 %s' %dataset.shape)

# 查看数据的前十行
print(dataset.head(10))

# 描述性统计数据信息
print (dataset.describe())

# 分类分布情况
print(dataset.groupby('class').size())

3.数据可视化

单变量图表和多变量图表

# 箱线图
dataset.plot(kind='box', subplots=True, layout=(2,2), sharex=False, sharey=False)
pyplot.show()

# 直方图
dataset.hist()
pyplot.show()

# 散点矩阵图
scatter_matrix(dataset)
pyplot.show()

4.评估算法

（1）分离测试集训练集

（2）采用10折交叉验证来评估算法模型 ；随机将数据分成10份，9份用来训练模型，1份用来评估算法

（3）生成6个不同的模型来预测新数据

线性回归LR 、线性判别分析、K近邻、分类与回归树（决策树）、贝叶斯分类器、支持向量机

（4）选择最优模型

# 分离数据集
array = dataset.values
X = array[:, 0:4]
Y = array[:, 4]
validation_size = 0.2
seed = 7
X_train, X_validation, Y_train, Y_validation = train_test_split(X, Y, test_size=validation_size, random_state=seed)

# 算法审查
models ={}
models['LR']=LogisticRegression()
models['LDA']=LinearDiscriminantAnalysis()
models['KNN']=KNeighborsClassifier()
models['CART']=DecisionTreeClassifier()
models['NB']=GaussianNB()
models['SVM']=SVC()

# 评估算法
results = []
for key in models:
    kfold = KFold(n_splits=10, random_state=seed)
    cv_results = cross_val_score(models[key], X_train,Y_train, cv=kfold, scoring='accuracy')
    results.append(cv_results)
    print('%s; %f (%f)' %(key, cv_results.mean(),cv_results.std()))
    
 # 箱线图比较算法
fig = pyplot.figure()
fig.suptitle('Algorithm Comparison')
ax = fig.add_subplot(111)
pyplot.boxplot(results)
ax.set_xticklabels(models.keys())
pyplot.show()

# 使用评估数据集评估算法
from sklearn.metrics import accuracy_score
svm = SVC()
svm.fit(X=X_train, y=Y_train)
predictions = svm.predict(X_validation)
print(accuracy_score(Y_validation,predictions))
print(confusion_matrix(Y_validation,predictions))
print(classification_report(Y_validation,predictions))
   

本文链接：https://blog.csdn.net/qq_46426207/article/details/122075906