[[246038]]

靈活多樣的 Python 庫(kù)為數(shù)據(jù)分析和數(shù)據(jù)挖掘提供了強(qiáng)力的機(jī)器學(xué)習(xí)工具。

Scikit-learn Python 庫(kù)最初于 2007 年發(fā)布，通常用于解決各種方面的機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)問題。這個(gè)多種功能的庫(kù)提供了整潔、一致、高效的 API 和全面的在線文檔。

什么是 Scikit-learn？

Scikit-learn 是一個(gè)開源 Python 庫(kù)，擁有強(qiáng)大的數(shù)據(jù)分析和數(shù)據(jù)挖掘工具。 在 BSD 許可下可用，并建立在以下機(jī)器學(xué)習(xí)庫(kù)上：

• NumPy，一個(gè)用于操作多維數(shù)組和矩陣的庫(kù)。它還具有廣泛的數(shù)學(xué)函數(shù)匯集，可用于執(zhí)行各種計(jì)算。
• SciPy，一個(gè)由各種庫(kù)組成的生態(tài)系統(tǒng)，用于完成技術(shù)計(jì)算任務(wù)。
• Matplotlib，一個(gè)用于繪制各種圖表和圖形的庫(kù)。

Scikit-learn 提供了廣泛的內(nèi)置算法，可以充分用于數(shù)據(jù)科學(xué)項(xiàng)目。

以下是使用 Scikit-learn 庫(kù)的主要方法。

1、分類

分類工具識(shí)別與提供的數(shù)據(jù)相關(guān)聯(lián)的類別。例如，它們可用于將電子郵件分類為垃圾郵件或非垃圾郵件。

Scikit-learn 中的分類算法包括：

• 支持向量機(jī)Support vector machines（SVM）
• 最鄰近Nearest neighbors
• 隨機(jī)森林Random forest

2、回歸

回歸涉及到創(chuàng)建一個(gè)模型去試圖理解輸入和輸出數(shù)據(jù)之間的關(guān)系。例如，回歸工具可用于理解股票價(jià)格的行為。

回歸算法包括：

• 支持向量機(jī)Support vector machines（SVM）
• 嶺回歸Ridge regression
• Lasso（LCTT 譯注：Lasso 即 least absolute shrinkage and selection operator，又譯為最小絕對(duì)值收斂和選擇算子、套索算法）

3、聚類

Scikit-learn 聚類工具用于自動(dòng)將具有相同特征的數(shù)據(jù)分組。 例如，可以根據(jù)客戶數(shù)據(jù)的地點(diǎn)對(duì)客戶數(shù)據(jù)進(jìn)行細(xì)分。

聚類算法包括：

• K-means
• 譜聚類Spectral clustering
• Mean-shift

4、降維

降維降低了用于分析的隨機(jī)變量的數(shù)量。例如，為了提高可視化效率，可能不會(huì)考慮外圍數(shù)據(jù)。

降維算法包括：

• 主成分分析Principal component analysis（PCA）
• 功能選擇Feature selection
• 非負(fù)矩陣分解Non-negative matrix factorization

5、模型選擇

模型選擇算法提供了用于比較、驗(yàn)證和選擇要在數(shù)據(jù)科學(xué)項(xiàng)目中使用的***參數(shù)和模型的工具。

通過參數(shù)調(diào)整能夠增強(qiáng)精度的模型選擇模塊包括：

• 網(wǎng)格搜索Grid search
• 交叉驗(yàn)證Cross-validation
• 指標(biāo)Metrics

6、預(yù)處理

Scikit-learn 預(yù)處理工具在數(shù)據(jù)分析期間的特征提取和規(guī)范化中非常重要。 例如，您可以使用這些工具轉(zhuǎn)換輸入數(shù)據(jù)（如文本）并在分析中應(yīng)用其特征。

預(yù)處理模塊包括：

• 預(yù)處理
• 特征提取

Scikit-learn 庫(kù)示例

讓我們用一個(gè)簡(jiǎn)單的例子來(lái)說(shuō)明如何在數(shù)據(jù)科學(xué)項(xiàng)目中使用 Scikit-learn 庫(kù)。

我們將使用鳶尾花花卉數(shù)據(jù)集，該數(shù)據(jù)集包含在 Scikit-learn 庫(kù)中。 鳶尾花數(shù)據(jù)集包含有關(guān)三種花種的 150 個(gè)細(xì)節(jié)，三種花種分別為：

• Setosa：標(biāo)記為 0
• Versicolor：標(biāo)記為 1
• Virginica：標(biāo)記為 2

數(shù)據(jù)集包括每種花種的以下特征（以厘米為單位）：

• 萼片長(zhǎng)度
• 萼片寬度
• 花瓣長(zhǎng)度
• 花瓣寬度

第 1 步：導(dǎo)入庫(kù)

由于鳶尾花花卉數(shù)據(jù)集包含在 Scikit-learn 數(shù)據(jù)科學(xué)庫(kù)中，我們可以將其加載到我們的工作區(qū)中，如下所示：

from sklearn import datasets
iris = datasets.load_iris()

這些命令從 sklearn 導(dǎo)入數(shù)據(jù)集 datasets 模塊，然后使用 datasets 中的 load_iris() 方法將數(shù)據(jù)包含在工作空間中。

第 2 步：獲取數(shù)據(jù)集特征

數(shù)據(jù)集 datasets 模塊包含幾種方法，使您更容易熟悉處理數(shù)據(jù)。

在 Scikit-learn 中，數(shù)據(jù)集指的是類似字典的對(duì)象，其中包含有關(guān)數(shù)據(jù)的所有詳細(xì)信息。 使用 .data 鍵存儲(chǔ)數(shù)據(jù)，該數(shù)據(jù)列是一個(gè)數(shù)組列表。

例如，我們可以利用 iris.data 輸出有關(guān)鳶尾花花卉數(shù)據(jù)集的信息。

print(iris.data)

這是輸出（結(jié)果已被截?cái)啵?/p>

[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]
 [4.6 3.1 1.5 0.2]
 [5.  3.6 1.4 0.2]
 [5.4 3.9 1.7 0.4]
 [4.6 3.4 1.4 0.3]
 [5.  3.4 1.5 0.2]
 [4.4 2.9 1.4 0.2]
 [4.9 3.1 1.5 0.1]
 [5.4 3.7 1.5 0.2]
 [4.8 3.4 1.6 0.2]
 [4.8 3.  1.4 0.1]
 [4.3 3.  1.1 0.1]
 [5.8 4.  1.2 0.2]
 [5.7 4.4 1.5 0.4]
 [5.4 3.9 1.3 0.4]
 [5.1 3.5 1.4 0.3]

我們還使用 iris.target 向我們提供有關(guān)花朵不同標(biāo)簽的信息。

print(iris.target)

這是輸出：

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]

如果我們使用 iris.target_names，我們將輸出數(shù)據(jù)集中找到的標(biāo)簽名稱的數(shù)組。

print(iris.target_names)

以下是運(yùn)行 Python 代碼后的結(jié)果：

['setosa' 'versicolor' 'virginica']

第 3 步：可視化數(shù)據(jù)集

我們可以使用箱形圖來(lái)生成鳶尾花數(shù)據(jù)集的視覺描繪。 箱形圖說(shuō)明了數(shù)據(jù)如何通過四分位數(shù)在平面上分布的。

以下是如何實(shí)現(xiàn)這一目標(biāo)：

import seaborn as sns
box_data = iris.data  # 表示數(shù)據(jù)數(shù)組的變量
box_target = iris.target  # 表示標(biāo)簽數(shù)組的變量
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={'figure.figsize':(2,15)})

讓我們看看結(jié)果：

在橫軸上：

• 0 是萼片長(zhǎng)度
• 1 是萼片寬度
• 2 是花瓣長(zhǎng)度
• 3 是花瓣寬度

垂直軸的尺寸以厘米為單位。

總結(jié)

以下是這個(gè)簡(jiǎn)單的 Scikit-learn 數(shù)據(jù)科學(xué)教程的完整代碼。

from sklearn import datasets
iris = datasets.load_iris()
print(iris.data)
print(iris.target)
print(iris.target_names)
import seaborn as sns
box_data = iris.data  # 表示數(shù)據(jù)數(shù)組的變量
box_target = iris.target  # 表示標(biāo)簽數(shù)組的變量
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={'figure.figsize':(2,15)})

Scikit-learn 是一個(gè)多功能的 Python 庫(kù)，可用于高效完成數(shù)據(jù)科學(xué)項(xiàng)目。