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。

  1. 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)

  1. 绘制出手写数字
x = X_train[1000].reshape(8, -1)plt.imshow(x, cmap=plt.cm.binary)plt.show()

  1. 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_