ML

阿里天池“二手车交易案例”提供很多数据挖掘，数据分析的代码，可参考

分类：knn ，逻辑回归，决策树

回归：线性回归，神经网络，决策树

knn 中的距离其实就可以看作一种标签，当求出待分类的物体，离哪 k 个最近时，不就意味着他的标签与这 k 个物体的标签最接近么？

from sklearn import linear_model

from sklearn.preprocessing import StandardScaler    #引入缩放的包

# 归一化操作

    scaler = StandardScaler() 

    scaler.fit(X)

    x_train = scaler.transform(X)

    x_test = scaler.transform(np.array([1650,3]))

sklrarn. preprocessing 中有专门的归一化函数 scaler()，只不过在此之前需要将 X 转换成 （-1，1）或者是 （1，-1）的 ndarray

sklearn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)

normalize：默认值为True，返回正确分类的比例；如果为False，返回正确分类的样本数

import numpy as np

from sklearn.metrics import accuracy_score

y_pred = [0, 1, 0, 1]

y_true = [0, 1, 1, 1]

print('ACC:',accuracy_score(y_true, y_pred))

accuracy_score(y_true,y_pred,normalize=False)

# help(accuracy_score)

## AUC

import numpy as np

from sklearn.metrics import roc_auc_score

y_true = np.array([0, 0, 1, 1])

y_scores = np.array([0.1, 0.4, 0.35, 0.8])

print('AUC socre:',roc_auc_score(y_true, y_scores))

## Precision,Recall,F1-score

from sklearn import metrics

y_pred = [0, 1, 0, 0]

y_true = [0, 1, 0, 1]

print('Precision',metrics.precision_score(y_true, y_pred))

print('Recall',metrics.recall_score(y_true, y_pred))

print('F1-score:',metrics.f1_score(y_true, y_pred))

# coding=utf-8

import numpy as np

from sklearn import metrics

# MAPE需要自己实现

def mape(y_true, y_pred):

    return np.mean(np.abs((y_pred - y_true) / y_true))

y_true = np.array([1.0, 5.0, 4.0, 3.0, 2.0, 5.0, -3.0])

y_pred = np.array([1.0, 4.5, 3.8, 3.2, 3.0, 4.8, -2.2])

# MSE

print('MSE:',metrics.mean_squared_error(y_true, y_pred))

# RMSE

print('RMSE:',np.sqrt(metrics.mean_squared_error(y_true, y_pred)))

# MAE

print('MAE:',metrics.mean_absolute_error(y_true, y_pred))

# MAPE

print('MAPE:',mape(y_true, y_pred))