本文介绍了如何使用Python和Scikit-learn库，通过乳腺癌肿瘤数据集实现一个简单的朴素贝叶斯分类器，包括数据加载、特征处理、模型训练与评估，以预测肿瘤类型。最后展示了94.15%的分类准确性。
简介
机器学习是计算机科学、人工智能和统计学的研究领域。机器学习的重点是训练算法以从数据中学习模式并进行预测。机器学习尤其有价值，因为它让我们能够使用计算机自动化决策过程。
你会发现机器学习应用无处不在。Netflix 和 Amazon 使用机器学习来进行新产品推荐。银行使用机器学习来检测信用卡交易中的欺诈活动，而医疗保健公司开始使用机器学习来监测、评估和诊断患者。
在本教程中，您将使用 Python 中的 Scikit-learn 实现一个简单的机器学习算法。使用乳腺癌肿瘤信息数据库，您将使用朴素贝叶斯（NB）分类器来预测肿瘤是良性还是恶性。
通过本教程，您将学会如何在 Python 中构建自己的机器学习模型。
先决条件
要完成本教程，您需要：
- Python 3 和在计算机上设置好的本地编程环境。您可以按照适用于您操作系统的相应安装和设置指南来配置此环境。
- 如果您是 Python 新手，您可以探索《如何在 Python 3 中编码》以熟悉这种语言。
- 在本教程的虚拟环境中安装 Jupyter Notebook。在运行机器学习实验时，Jupyter Notebook 非常有用。您可以运行简短的代码块并快速查看结果，这样可以轻松测试和调试您的代码。
步骤 1 — 导入 Scikit-learn
让我们从安装 Python 模块 Scikit-learn 开始，它是 Python 中最好和最有文档记录的机器学习库之一。
要开始我们的编码项目，请激活我们的 Python 3 编程环境。确保您位于环境所在的目录，并运行以下命令：
. my_env/bin/activate
激活我们的编程环境后，检查是否已安装 Sckikit-learn 模块：
python -c "import sklearn"
如果 sklearn 已安装，此命令将顺利完成，没有错误。如果未安装，您将看到以下错误消息：
Traceback (most recent call last): File "<string>", line 1, in <module> ImportError: No module named 'sklearn'
错误消息表明 sklearn 未安装，因此使用 pip 下载该库：
pip install scikit-learn[alldeps]
安装完成后，启动 Jupyter Notebook：
jupyter notebook
在 Jupyter 中，创建一个名为 ML Tutorial 的新 Python Notebook。在 Notebook 的第一个单元格中，导入 sklearn 模块：
import sklearn
您的笔记本应如下图所示：
!Jupyter Notebook with one Python cell, which imports sklearn
现在我们在笔记本中导入了 sklearn，我们可以开始处理我们机器学习模型的数据集。
步骤 2 — 导入 Scikit-learn 的数据集
在本教程中，我们将使用的数据集是乳腺癌威斯康星州诊断数据库。该数据集包括关于乳腺癌肿瘤的各种信息，以及恶性或良性的分类标签。数据集有 569 个实例或数据，涉及 569 个肿瘤，并包括 30 个属性或特征，如肿瘤的半径、质地、光滑度和面积。
使用此数据集，我们将构建一个机器学习模型，使用肿瘤信息来预测肿瘤是恶性还是良性。
Scikit-learn 预装了各种数据集，我们可以将其加载到 Python 中，我们需要的数据集已包含在其中。导入并加载数据集：
... from sklearn.datasets import load_breast_cancer # 加载数据集 data = load_breast_cancer()
data 变量表示一个像字典一样工作的 Python 对象。要考虑的重要字典键是分类标签名称（target_names）、实际标签（target）、属性/特征名称（feature_names）和属性（data）。
属性是任何分类器的关键部分。属性捕捉有关数据性质的重要特征。鉴于我们要预测的标签（恶性与良性肿瘤），可能有用的属性包括肿瘤的大小、半径和质地。
为每组重要信息创建新变量并分配数据：
... # 整理我们的数据 label_names = data['target_names'] labels = data['target'] feature_names = data['feature_names'] features = data['data']
现在我们有了每组信息的列表。为了更好地了解我们的数据集，让我们通过打印我们的类标签、第一个数据实例的标签、我们的特征名称以及第一个数据实例的特征值来查看我们的数据：
... # 查看我们的数据 print(label_names) print(labels[0]) print(feature_names[0]) print(features[0])
如果你运行了上面的代码，你会看到以下结果：
!Alt Jupyter Notebook with three Python cells, which prints the first instance in our dataset
正如图像所示，我们的类别名称是恶性和良性，它们分别被映射为二进制值0和1，其中0代表恶性肿瘤，1代表良性肿瘤。因此，我们的第一个数据实例是一个平均半径为1.79900000e+01的恶性肿瘤。
现在我们已经加载了数据，我们可以开始构建我们的机器学习分类器。
步骤 3 — 将数据组织成数据集
为了评估分类器的性能，你应该始终在未见过的数据上测试模型。因此，在构建模型之前，将数据分成两部分：训练集和测试集。
你可以使用训练集来在开发阶段训练和评估模型。然后使用训练好的模型对未见的测试集进行预测。这种方法可以让你了解模型的性能和鲁棒性。
幸运的是，sklearn有一个名为train_test_split()的函数，它可以将你的数据分成这些集合。导入该函数，然后使用它来分割数据：
... from sklearn.model_selection import train_test_split # 分割我们的数据 train, test, train_labels, test_labels = train_test_split(features, labels, test_size=0.33, random_state=42)
该函数使用test_size参数随机分割数据。在这个例子中，我们现在有一个代表原始数据集33%的测试集(test)。剩下的数据(train)则组成训练数据。我们还有相应的标签，即train_labels和test_labels。
现在我们可以开始训练我们的第一个模型了。
步骤 4 — 构建和评估模型
机器学习有许多模型，每个模型都有其优势和劣势。在本教程中，我们将专注于一个在二元分类任务中通常表现良好的简单算法，即朴素贝叶斯（NB）。
首先，导入GaussianNB模块。然后使用GaussianNB()函数初始化模型，然后使用gnb.fit()将模型拟合到数据上进行训练：
... from sklearn.naive_bayes import GaussianNB # 初始化我们的分类器 gnb = GaussianNB() # 训练我们的分类器 model = gnb.fit(train, train_labels)
在训练模型之后，我们可以使用训练好的模型对我们的测试集进行预测，使用predict()函数进行预测。predict()函数返回测试集中每个数据实例的预测数组。然后我们可以打印我们的预测结果以了解模型的判断。
使用predict()函数和test集合打印结果：
... # 进行预测 preds = gnb.predict(test) print(preds)
运行代码，你会看到以下结果：
!Jupyter Notebook with Python cell that prints the predicted values of the Naive Bayes classifier on our test data
如你在Jupyter Notebook输出中所见，predict()函数返回了一个代表肿瘤类别（恶性 vs. 良性）的预测值数组0和1。
现在我们有了预测结果，让我们评估我们的分类器的性能。
步骤 5 — 评估模型的准确性
使用真实类标签的数组，我们可以通过比较两个数组(test_labels vs. preds)来评估模型预测值的准确性。我们将使用sklearn的accuracy_score()函数来确定我们的机器学习分类器的准确性。
... from sklearn.metrics import accuracy_score # 评估准确性 print(accuracy_score(test_labels, preds))
你会看到以下结果：
!Alt Jupyter Notebook with Python cell that prints the accuracy of our NB classifier
如你在输出中所见，朴素贝叶斯分类器的准确率为94.15%。这意味着分类器能够正确预测肿瘤是恶性还是良性的时间占了94.15%。这些结果表明我们的30个属性特征集是肿瘤类别的良好指标。
你已经成功构建了你的第一个机器学习分类器。让我们通过将所有的import语句放在笔记本或脚本的顶部来重新组织代码。代码的最终版本应该如下所示：
from sklearn.datasets import load_breast_cancer from sklearn.model_selection import train_test_split from sklearn.naive_bayes import GaussianNB from sklearn.metrics import accuracy_score
# 加载数据集 data = load_breast_cancer() # 整理数据 label_names = data['target_names'] labels = data['target'] feature_names = data['feature_names'] features = data['data'] # 查看数据 print(label_names) print('类别标签 = ', labels[0]) print(feature_names) print(features[0]) # 分割数据 train, test, train_labels, test_labels = train_test_split(features, labels, test_size=0.33, random_state=42) # 初始化分类器 gnb = GaussianNB() # 训练分类器 model = gnb.fit(train, train_labels) # 进行预测 preds = gnb.predict(test) print(preds) # 评估准确性 print(accuracy_score(test_labels, preds))
现在你可以继续优化你的代码，看看能否让你的分类器表现得更好。你可以尝试使用不同的特征子集，甚至尝试完全不同的算法。查看 Scikit-learn 网站获取更多的机器学习想法。
结论
在本教程中，你学会了如何在 Python 中构建一个机器学习分类器。现在你可以使用 Scikit-learn 在 Python 中加载数据、整理数据、训练、预测和评估机器学习分类器。本教程中的步骤应该能帮助你在 Python 中更轻松地处理自己的数据。
