1. 机器学习简介
1. 什么是机器学习
机器学习，是人工智能（AI）的一部分。是研究如何让计算机从数据中学习某种规律的科学。
- 计算机程序根据给定的数据，去优化某一个评价指标
- 自动的从数据中发现规律
- 使用规律预测未来（未知）的事务，事件等
可以简单的总结成公式为：
历史数据 + 计算机成功 = 算法模型
未来数据 + 算法模型 = 预测未来事件
2. 机器学习分类
监督式学习
需要给每个样品打标签，训练数据包含输入和预期的输出。
- 分类
标签都是离散值 - 回归
标签都是连续值
非监督式学习
不需要标签，训练数据只有输入，没有预期的输出。
- 聚类
是指把对象分成不同的子集，使得属于同一个子集的对象都有一些相同的属性。
分类的实例应用：
- 垃圾邮件/短信检测
- 自动车牌号识别
- 人脸识别
- 手写字符识别
- 语音识别
- 医疗图片的病症诊断
回归的实例应用：
- 自动为二手车估价
- 预测股票价格
- 预测未来气温
- 自动驾驶
聚类的实例应用：
- 客户分类(市场研究)
- 用户分组(社交网络)
- 图像分割
- 推荐系统
- 消除歧义(自然语言处理)
3. 机器学习基本流程
- 收集数据
到一些大数据网站或者自己公司软件收集到的数据。 - 数据清洗
对得到的数据，做一些检查，查看是否有明显错误数据，空数据等。 - 特征工程
把数据做一些变换，使得数据能够被程序识别，一般是向量化，提取特征。 - 数据预处理
把数据处理成容易被程序识别的形式，如归一化，标准化等。 - 选择算法模型
需要选择合适的算法模型 - 训练调参
是一个迭代的过程，不断训练，来达到模型的最优。 - 模型部署
在线部署。
4. 数据预处理
- 特征提取
- 处理缺失数据
- 数据定标
- 数据转换
1. 特征提取
在一个真实的对象中，提取出我们关心的特征。比如物体的形状，体积等。文字的出现位置等。
2. 缺失数据处理
对于数据集中的缺失值，需要根据相关信息，来处理缺失数据。使用均值、中间值，或者众数、相似数等方式来填充缺失值，当然如果缺失值过高，直接丢弃也是可以的。
3. 数据定标
归一化和标准化
归一化：把数据归一化为0到1之间
标准化：把数据标准化为正态分布数据
4. 数据转换
独热编码：
把数据变换为0或1的值
5. 实战-读取数据和可视化
import pandas as pd import numpy as np import matplotlib.pyplot as plt
使用 pandas 读取 csv 文件
data = pd.read_csv('Advertising.csv') data.head()
output
使用图表来展示数据，这样能够更加直观的查看数据分布等信息
plt.figure(figsize=(16, 8)) plt.scatter(data['TV'], data['sales'], c ='black') plt.xlabel("Money spent on TV ads") plt.ylabel("Sales") plt.show()
output
海拔高度与温度的预测练习
h_data = pd.read_csv('height.csv') h_data plt.figure() plt.scatter(h_data['height'], h_data['temperature']) plt.xlabel('height') plt.ylabel('temperature') plt.show() h_X = h_data['height'].values.reshape(-1, 1) h_y = h_data['temperature'].values.reshape(-1, 1) h_reg = LinearRegression() h_reg.fit(h_X, h_y) print("线性模型为: Y = {:.5}X + {:.5} ".format(h_reg.coef_[0][0], h_reg.intercept_[0])) h_height = h_reg.predict([[8000]]) h_height[0][0]
2. “Hello world” 级别算法-KNN
1. 什么是 KNN 算法
做 K 最近邻算法，如果样本总共分为 N 类，如果一个未知分类点，距离某一类的距离最近，则该点属于该类。
K 一般取值为奇数值，代表选取 K 个点的距离。
kNN 算法的核心思想是如果一个样本在特征空间中的 k 个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。--来自百度百科
2. 距离的计算
欧式距离的计算：
二维平面上两点 a(x1,y1) 与 b(x2,y2) 间的欧氏距离：
三维空间两点 a(x1,y1,z1)与b(x2,y2,z2) 间的欧氏距离：
两个 n 维向量 a(x11,x12,…,x1n) 与 b(x21,x22,…,x2n) 间的欧氏距离：
3. 手写 KNN 算法
计算欧式距离
def euc_dis(instance1, instance2): dist = np.sqrt(sum((instance1 - instance2)**2)) return dist
dist 的计算就是，求两个向量差的平方和，再取平方根。
我们可以使用 numpy 库自带的公式来验证下
import numpy as np def euc_dis(instance1, instance2): dist = np.sqrt(sum((instance1 - instance2)**2)) return dist vec1 = np.array([2, 3]) vec2 = np.array([5, 6]) euc_dis(vec1, vec2) np.linalg.norm(vec1 - vec2)
最后的结果都是 4.242640687119285
实现 KNN 算法
def knn_classify(X, y, testdata, k): distances = [euc_dis(x, testdata) for x in X] kneighbors = np.argsort(distances)[:k] count = Counter(y[kneighbors]) return count.most_common()[0][0]
argsort 函数返回的是数组值从小到大的索引值，most_common 函数用来实现 Top n 功能。
来看下这两个函数的具体实例
argsort
test_data1 = np.array([2, 1, 5, 0]) np.argsort(test_data1)
output
array([3, 1, 0, 2], dtype=int32)
返回的数组依次为最小值0的索引位置3，依次类推
most_common
from collections import Counter test_data2 = Counter("abcdabcab") test_data2.most_common(2)
output
[('a', 3), ('b', 3)]
返回出现次数最多的 top n
使用手写的 KNN 算法做预测
# 导入iris数据 iris = datasets.load_iris() X = iris.data y = iris.target X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=2003) # 预测结果。 predictions = [knn_classify(X_train, y_train, data, 3) for data in X_test] print(predictions) correct = np.count_nonzero((predictions==y_test)==True) print(correct) print ("Accuracy is: %.3f" %(correct/len(X_test)))
4. K 值的选择（调参）
1. 决策边界
可以将决策边界一侧的所有点分类为属于一个类，而将另一侧的所有点分类为属于另一个类。决策边界选择的好坏，直接影响着模型预测的准确程度。
总结：决策边界过于粗糙，会导致欠拟合，而过于精细，就会有过拟合的风险。
KNN算法中的决策边界，就是确定 K 的值，到底选取 K 为几才是最优的解。
2. 交叉验证
为了确定 K 的值，可以采用交叉验证的方式。
首先，当我们拿到一组数据之后，先把数据拆分为训练集和测试集，训练集用于训练模型，测试集用于测试模型的准确率。
测试集不可用于训练！测试集不可用于训练！测试集不可用于训练！（重要的事情吼三遍）
然后，再把训练集拆分成训练集和验证集。这里的验证集，是用来给交叉验证时使用的.
比如，如果我们想做5轮交叉验证，那么就分别把最原始的训练集分成5中情况，如图：
接着，分别取 K=1，K=3，K=5 等情况在上述5种数据集中分别训练验证，得出准确率最高的 K 值，此时，我们就通过交叉验证的方式，找到了在该数据集下的最优 K 值。
最后，才会在测试集上做最后的测试，如果模型在测试集上达到了我们预期的准确率，则模型可用。
