scikit-learn 机器学习库入门
案例：写一个能自动分辨苹果和橘子的程序
用分支结构可以吗？
if color == 'yellow':
print('橘子')
else:
print('苹果')
# 黄香蕉苹果怎么办？绿橘子怎么办？
if color != 'yellow' & weight >= 150:
print('苹果')
else:
print('橘子')
# 大绿橘子呢？
人工构造if else规则特别繁琐
不管写多少if else规则，总能找到特定东西无法识别，要达到可用的正确率，就算最简单的分辨苹果橘子也得写成千上万条规则
如果写完分辨橘子苹果的程序，需求变了，要分辨白菜和花菜，又得重写程序，无法复用
我们需要一种通用算法，分辨事物时：自动生成所有规则
机器学习的本质是模式识别（根据已有数据算出数据间的规则（相关性），用规则预测未知数据）
监督学习
根据 特征 预测 标签
抽象：特征工程
算法：创建分类器
训练：用已知标签数据训练分类器
预测：预测未知标签数据，并评价分类器准确与否
1.抽象:特征工程
特征：能将本事物区别于其他事物的可观测指标
特征工程：将搜集到的数据转为算法可用的数学形式
搜集训练数据：去市场测量苹果和橘子的数据并记录在表格中
已知标签：训练数据
| 类别 | 重量 | 光洁度 |
|---|---|---|
| 苹果 | 150g | 光滑 |
| 苹果 | 170g | 光滑 |
| 橘子 | 130g | 粗糙 |
| 橘子 | 140g | 粗糙 |
未知标签：预测数据
| 类别 | 重量 | 光洁度 |
|---|---|---|
| ??? | 180g | 光滑 |
| ??? | 100g | 粗糙 |
目标是什么？
- 根据已有特征和标签数据 训练模型
- 用训练好的模型预测：只有特征没有标签的数据的标签
1:抽象：将现实数据映射到Python中
特征工程，数值化
机器学习算法传入数据必须是数值，不能是其他类型数据 字符串可以用独热编码转为矢量数值 [0,1,0,0,0] 图像可以将像素转为数值类型：
[ [[255,0,0],[255,0,0],[0,0,1]],
[[255,1,255],[11,22,33],[33,44,55]],
..... ]
降维后：
[[255,0,0],[255,0,0],[0,0,1],[255,1,255],[11,22,33],[33,44,55]]
In [2]:
# 样本特征和标签
features = [[150, 0], [170, 0], [130, 1], [140, 1]] # 训练数据，特征
labels = [0, 0, 1, 1] # 训练数据，标签
# 预测数据的特征
test = [[180, 0], [100, 1]]
# 没有预测数据的标签，需要算法预测出来
2:算法：创建分类器
In [5]:
from sklearn import tree # 决策树分类器
In [6]:
# 创建分类器(模型，算法)，还没有分类规则，空分类器
clf = tree.DecisionTreeClassifier()
clf
Out[6]:
DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
max_features=None, max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, presort=False, random_state=None,
splitter='best')
3：训练(学习)：用样本数据训练分类器
fit,训练：给空算法灌入训练特征和标签，训练算法
In [7]:
# 分类器通过训练数据寻找模式
# sklearn中，训练算法包含在分类器里，叫fit（发现训练数据的固有模式）
clf.fit(features, labels)
Out[7]:
DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
max_features=None, max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, presort=False, random_state=None,
splitter='best')
4.预测：评价训练好的分类器，用它分辨一些水果
根据数据的特征，预测它的标签
In [8]:
# 预测特征数据
test
Out[8]:
[[180, 0], [100, 1]]
In [9]:
# 评价测试时，分类器的输入应是一些未经训练的、样本外数据的特征
# 根据特征预测标签
clf.predict(test)
Out[9]:
array([0, 1])
