数据类型
1、离散数据类型
2、连续数据类型

图片.png

机器学习算法分类

图片.png

监督学习：特征值+目标值
无监督学习：只有特征值，无目标值
分类：目标值离散型
回归：目标值连续型

图片.png

分类算法
k-近邻算法：根据你的邻居来判断你的类别

图片.png

图片.png

k-近邻算法的计算公式：

图片.png

sklearn k-近邻算法API

图片.png

k-近邻算法的例子：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import pandas as pd


def knncls():
    """
     K-近邻预测用户签到位置
    """
    # 1、读取数据
    data = pd.read_csv("./data/FBlocation/train.csv")
    # print(data.head(10))  # 打印前十行
    # 2、处理数据
    # 2.1 缩小数据，查询数据筛选
    data = data.query("x>1.0 & x<1.25 & y>2.5 & y<2.75")
    # 2.2 处理时间
    time_value = pd.to_datatime(data['time'], unit='s')
    # print(time_value)
    # 2.3  把日期格式转换成字典格式
    time_value = pd.DatetimeIndex(time_value)

    # 2.4 构造一些特征
    data['day'] = time_value.day
    data['hour'] = time_value.hour
    data['weekday'] = time_value.weekday
   
    # 2.5 把时间特征删除
    data = data.drop(['time'], axis=1) # 按列删除
   
    # 2.6 把签到数量少于n个目标位置删除
    place_count = data.groupby('place_id').count()
    tf = place_count[place_count.row_id > 3].reset_index()
    data = data[data['place_id'].isin(tf.place_id)]
   
    # 2.7 取出数据中的特征值和目标值
    y = data['place_id']
    x = data.drop(['place_id'], axis=1)
   
    # 2.8 进行数据分割，训练集与测试集
    x_train, x_test, y_train, x_test = train_test_split(x, y, test_size=0.25)
 
    # 3、特征工程（标准化）
    std = StandardScaler()   
    # 对测试集与训练集的特征值做标准化
    x_train = std.fit_transform(x_train)  
    x_test = std.transform(x_test)

    # 4、进行算法流程
    knn = KNeighborsClassifier(n_neighbors=5)
    knn.fit(x_train, y_train)
    
    # 得出预测结果
    y_predict = knn.predict(x_test)
    print("预测的目标签到位置为：", y_predict)

    # 得出准确率
    print("预测准确率：", knn.score(x_test. x_)) 
    return None

if  __name__ == "__main__":
     knncls()

图片.png

朴素贝叶斯算法
概率想关知识：

图片.png

朴素贝叶斯算法：适用特征独立的数据

图片.png

图片.png

图片.png

图片.png

图片.png

from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB  

def naviebayes():
    """
    朴素贝叶斯进行文本分类
    """
    # 获取数据
    news = fetch_20newsgroups(subset='all')

    # 进行数据分割
    x_train, x_test, y_train, y_test = train_test_split(new.data, news.target, test_size=0.25)

    # 对数据集进行特征抽取
    tf = TfidfVectorizer()

    # 以训练集当中词的列表进行每篇文章重要性统计
    x_train = tf.fit_transform(x_train)
    print(tf.get_feature_names())
    x_test = tf.fit_transform(x_test)

    # 进行朴素贝叶斯算法预测
    mlt = MultinomialNB(alpha=1.0)
    print(x_train.toarry())
    mlt.fit(x_train, y_train)
    y_predict = mlt.predict(x_test)
    print("预测文章的类别为：", y_predict)
    # 得出准确率
    print("准确率为：", mlt.score(x_test, y_test))

    return None

if __name__ == "__main__":
    naviebayes()

总结朴素贝叶斯分类：

图片.png

分类模型效果评估标准：
1、准确率
2、精确率
3、召回率

图片.png

图片.png

图片.png

图片.png

图片.png

图片.png

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler
import pandas as pd


def knncls():
    """
     K-近邻预测用户签到位置
    """
    # 1、读取数据
    data = pd.read_csv("./data/FBlocation/train.csv")
    # print(data.head(10))  # 打印前十行
    # 2、处理数据
    # 2.1 缩小数据，查询数据筛选
    data = data.query("x>1.0 & x<1.25 & y>2.5 & y<2.75")
    # 2.2 处理时间
    time_value = pd.to_datatime(data['time'], unit='s')
    # print(time_value)
    # 2.3  把日期格式转换成字典格式
    time_value = pd.DatetimeIndex(time_value)

    # 2.4 构造一些特征
    data['day'] = time_value.day
    data['hour'] = time_value.hour
    data['weekday'] = time_value.weekday
   
    # 2.5 把时间特征删除
    data = data.drop(['time'], axis=1) # 按列删除
   
    # 2.6 把签到数量少于n个目标位置删除
    place_count = data.groupby('place_id').count()
    tf = place_count[place_count.row_id > 3].reset_index()
    data = data[data['place_id'].isin(tf.place_id)]
   
    # 2.7 取出数据中的特征值和目标值
    y = data['place_id']
    x = data.drop(['place_id'], axis=1)
   
    # 2.8 进行数据分割，训练集与测试集
    x_train, x_test, y_train, x_test = train_test_split(x, y, test_size=0.25)
 
    # 3、特征工程（标准化）
    std = StandardScaler()   
    # 对测试集与训练集的特征值做标准化
    x_train = std.fit_transform(x_train)  
    x_test = std.transform(x_test)

    # 4、进行算法流程
    knn = KNeighborsClassifier()
    # 构造一些参数值进行搜索
    param = {"n_neighbors": [3, 5, 10]}
    # 进行网格搜索
    gc = GridSearchCV(knn, param_grid=param, cv=10)
    gc.fit(x_train, y_train)
    # 预测准确率
    print("在测试集上的准确率：", gc.score)
    print("在交叉验证当中最好的结果：", gc.best_score_)
    print("选择最好的模型是：", gc.best_estimator_)
    print("每个超参数每次交叉验证的精确率与召回率：", gc.cv_results_)
    return None

if  __name__ == "__main__":
     knncls()

决策树

图片.png

• 决策树的划分依据
  1、信息增益：当得知一个特征条件之后，减少的信息熵的大小

  
  
  图片.png
  
  

  例子:

  
  
  图片.png
  
  
  图片.png
  
  基尼系数：划分更加仔细

• API

  
  
  图片.png

  from sklearn.tree import DecisionTreeClassifier
  from sklearn.feature_extraction import DictVectorizer
  from sklearn.model_selection import train_test_split
  import pandas as pd      
    
  
  def decision():
      """
      决策树对泰坦尼克号进行预测生死
      """
      # 1、获取数据
      titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titan.txt")
  
      # 2、处理数据，找出特征值和目标值
      x = titan[['pclass', 'age', 'sex']]
      y = titan['survived']
      # 2.1 缺失值处理
      x['age'] = .fillna(x['age'].mean(), inplace=True)
      # 2.2 分割数据集到训练集和测试集
      x_train, x_test, y_train, x_test = train_test_split(x, y, test_size=0.25)
     
      # 3、进行处理（特征工程）特征-> 类别  one_hot编码
      dict = DictVectorizer(sparse=False) 
      x_train = dict.fit_transform(x_train.to_dict(orient="records"))
      x_test = dict.tansform(x_test.to_dict(orient="records"))
  
      # 4、用决策数进行预测
      dec = DecisionTreeClassifier()
      dec.fit(x_train, y_train)
      # 4、1 预测准确率
      print("预测的准确率：", dec.score(x_test, y_test))
                
  
      return None
  
  if __name__ == "__main__":
      decision()
  

  图片.png