文章目录
- 训练集和数据集分离
- 获取最优模型
- 超参数
- 寻找最优模型
- 网格搜索的使用
训练集和数据集分离
训练集和数据集分离的原理:当我们获取一个数据集时,我们需要将其一小部分拿出来作为测试集,剩余的作为训练集。例如对于一个训练集,将其20%作为测试集,80%作为训练集,这20%的测试集是已经有目标值了的,将训练集进行拟合,获得模型,再通过测试集进行测试,获得最终结果,将最终结果和已知的目标值进行比对,可预测其训练模型的精确度。
以下使用sklearn中的knn算法进行预测,以识别鸢尾花为例。
- 先获取数据集,观察下图中y的值,可将0,1,2分别看做鸢尾花的不同种类。
from sklearn.datasets import load_iris# 获取数据集iris = load_iris()X = iris.datay = iris.target
- 由上图可看出数据集的目标值是有一定顺序的,我们需要将其打乱后再分出训练集和测试集,打乱用到的函数为np.random.permutation(),下图中shuffle_indexs里是0-150的随机索引
import numpy as npshuffle_indexs = np.random.permutation(len(X))
- 打乱数据后开始取训练集和测试集,训练集取80%,测试集取20%
test_ratio = 0.2 # 取20%做测试集test_size = int(len(X) * test_ratio)test_indexs = shuffle_indexs[:test_size] # 测试集索引train_indexs = shuffle_indexs[test_size:] # 训练集索引# 获得训练集X_train = X[train_indexs]y_train = y[train_indexs]# 获得测试集X_test = X[test_indexs]y_test = y[test_indexs]
- 调用sklearn中的knn算法,将训练集进行拟合,获得模型,测试集通过训练的模型,获得最终的预测结果,观察下图可看到y_predict和y_test(标准答案),大部分是相同的。
from sklearn.neighbors import KNeighborsClassifierknn_clf = KNeighborsClassifier()knn_clf.fit(X_train, y_train)# 拟合,获得模型y_predict = knn_clf.predict(X_test)# 获取测试集的最终结果
- 根据y_predict和y_test,计算出模型的准确度,每次运行获得的准确度都不一样,但是准确率都在90%以上,说明模型的准确度较高。
np.sum(np.array(y_predict == y_test, dtype='int'))/len(y_test)
获取最优模型
参数的不同,会导致模型的不同,从而我们需要找到最合适的参数,从而训练出最优的模型。
我们可以自定义一个train_test_split函数,获取到训练集和测试集数据。根据以上的代码,编写的函数如下:
import numpy as npdef train_test_split(X, y, test_ratio=0.2, random_state=None): if random_state: np.random.seed(random_state) # 设置随机种子 shuffle_indexs = np.random.permutation(len(X)) test_ration = test_ration test_size = int(len(X) * test_ratio) test_indexs = shffle_indexs[:test_size] train_indexs = shuffle_indexs[test_size:] # 训练集 X_train = X[train_indexs] y_train = y[train_indexs] # 测试集 X_test = X[test_indexs] y_test = y[test_indexs] return X_train, X_test, y_train, y_test
我们也可以使用sklearn中封装好的train_test_split
from sklearn.model_selection import train_test_splitfrom sklearn.datasets import load_irisiris = load_iris()X = iris.datay = iris.targetX_train, X_test, y_train, y_test = train_test_split(X, y, random_state=666)
超参数
超参数:在执行程序之前需要确定的参数。
举个例子:在knn分类器中,即KNeighborsClassifier(n_neighbors=3),n_neighbors值的不同,会导致模型的准确率不同,我们需要不断调整参数,找到某个数更加拟合我们的数据,这就是超参数。
权重问题:在
在KNeighborsClassifier()中可设置权重参数:weights
当weights=uniform时,不考虑距离带来的权重问题
当weights=distance时,距离作为计算的权重
我们先看一下KNeighborsClassifier()的源码(如下图2),weights默认为uniform,p=2这个p是距离方法(如下图1),当=1时为曼哈顿距离,p=2时为欧拉距离,p增大,计算距离的方法不同。在KNeighborsClassifier()中默认为欧拉距离
寻找最优模型
from sklearn.neighbors import KNeighborsClassifierfrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitiris = load_iris()X = iris.datay = iris.targetX_train, X_test, y_train, y_test = train_test_split(X, y)%%timebest_k = 0best_score = 0.0best_clf = Nonebest_method = Nonebest_p = 0for p in range(1, 6): for weight in ['uniform', 'distance']: for k in range(1, 21): knn_clf = KNeighborsClassifier(n_neighbors=k, weights=weight, p=p) knn_clf.fit(X_train, y_train) score = knn_clf.score(X_test, y_test) if score>best_score: best_score = score best_k = k best_clf = knn_clf best_method = weight best_p = pprint(best_k)print(best_score)print(best_clf)print(best_method)print(best_p)
网格搜索的使用
本次网格搜索的数据集以手写识别数据集为例。
- 获取数据,可以打印描述信息进行查看。
from sklearn.datasets import load_digits # 导入手写识别数据集import numpy as npfrom matplotlib import pyplot as pltdigits = load_digits()X = digits.datay = digits.targetfrom sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y)
- 绘制出手写数字
x = X_train[1000].reshape(8, -1)plt.imshow(x, cmap=plt.cm.binary)plt.show()
- 使用sklearn中的grid search
# 创建网格参数,每一组参数放在一个字典中param_grid = [ {'weights':['uniform'], 'n_neighbors':[i for i in range(1,21)] }, { 'weights':['distance'], 'n_neighbors': [i for i in range(1,21)], 'p':[i for i in range(1,6)] }] from sklearn.model_selection import GridSearchCVfrom sklearn.neighbors import KNeighborsClassifierknn_clf = KNeighborsClassifier()%%time# 尝试寻找最佳参数grid_search = GridSearchCV(knn_clf, param_grid, verbose=2, n_jobs=-1) # verbose越大越详细,n_jobs调用几个cpu进行计算,当n_jobs=-1时表示调用所有cpu进行计算grid_search.fit(X_train, y_train)grid_search.best_estimator_grid_search.best_score_grid_search.best_params_