机器学习算法总结:
线性回归 (Linear Regression) (ML分类) Y=aX+b |
利用连续性变量来估计实际数值 通过线性回归算法找出自变量和因变量间的最佳线性关系,图形上可以确定一条最佳直线 from sklearn import linear_model x_train=input_variables_values_training_datasets y_train=target_variables_values_training_datasets x_test=input_variables_values_test_datasets linear = linear_model.LinearRegression() linear.fit(x_train, y_train) linear.score(x_train, y_train) print(‘Coefficient: \n‘, linear.coef_) print(‘Intercept: \n‘, linear.intercept_) predicted= linear.predict(x_test) |
房价,呼叫次数和总销售额 |
逻辑回归(ML分类) |
利用已知的自变量来预测一个离散型因变量的值(像二进制值0/1,是/否,真/假)。简单来说,它就是通过拟合一个逻辑函数(logit fuction)来预测一个事件发生的概率。所以它预测的是一个概率值,自然,它的输出值应该在0到1之间. #Import Library from sklearn.linear_model import LogisticRegression # Create logistic regression object model = LogisticRegression() # Train the model using the training sets and check score model.fit(X, y) model.score(X, y) #Equation coefficient and Intercept print(‘Coefficient: \n‘, model.coef_) print(‘Intercept: \n‘, model.intercept_) #Predict Output predicted= model.predict(x_test) |
二进制值0/1,是/否,真/假 |
决策树(ML分类) |
可以运用于类别变量(categorical variables)也可以作用于连续变量。这个算法可以让我们把一个总体分为两个或多个群组。分组根据能够区分总体的最重要的特征变量/自变量进行 # Create tree object model = tree.DecisionTreeClassifier(criterion=‘gini‘) # model = tree.DecisionTreeRegressor() for regression # Train the model using the training sets and check score model.fit(X, y) model.score(X, y) #Predict Output predicted= model.predict(x_test) |
把一个总体分为两个或多个群组解决分类问题 |
支持向量机(SVM)(ML分类) |
将每一个数据作为一个点在一个n维空间上作图(n是特征数),每一个特征值就代表对应坐标值的大小。比如说我们有两个特征:一个人的身高和发长。我们可以将这两个变量在一个二维空间上作图,图上的每个点都有两个坐标值(这些坐标轴也叫做支持向量)。 #Import Library from sklearn import svm # Create SVM classification object model = svm.svc() # Train the model using the training sets and check score model.fit(X, y) model.score(X, y) #Predict Output predicted= model.predict(x_test) |
是把不同颜色的小球分到不同空间里 |
朴素贝叶斯(ML分类) |
假设条件是自变量之间相互独立。简言之,朴素贝叶斯假定某一特征的出现与其它特征无关. 如何从先验概率P(c),P(x)和条件概率P(x|c)中计算后验概率P(c|x)。 #Import Library from sklearn.naive_bayes import GaussianNB
# Create NB classification object model = GaussianNB() model = GaussianNB() # Train the model using the training sets and check score model.fit(X, y) #Predict Output predicted= model.predict(x_test) |
如果一个水果它是红色的,圆状的,直径大概7cm左右,我们可能猜测它为苹果 天气变量和目标变量“是否出去玩
|
KNN(K-邻近算法)(ML分类) |
找出已知数据中距离未知事件最近的K组数据,最后按照这K组数据里最常见的类别预测该事件, 距离函数可以是欧式距离,曼哈顿距离,闵氏距离 (Minkowski Distance), 和汉明距离(Hamming Distance)。前三种用于连续变量,汉明距离用于分类变量。如果K=1,那问题就简化为根据最近的数据分类。K值的选取时常是KNN建模里的关键。
#Import Library from sklearn.neighbors import KNeighborsClassifier
#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset # Create KNeighbors classifier object model
KNeighborsClassifier(n_neighbors=6) # default value for n_neighbors is 5
# Train the model using the training sets and check score model.fit(X, y)
#Predict Output predicted= model.predict(x_test) |
分类问题,也可以用于回归问题 KNN的计算成本很高. 所有特征应该标准化数量级,否则数量级大的特征在计算距离上会有偏移. 在进行KNN前预处理数据,例如去除异常值,噪音等. |
K均值算法(K-Means)(ML聚类非监督式学习) |
利用了一定数量的集群(假设K个集群)对给定数据进行分类。同一集群内的数据点是同类的,不同集群的数据点不同类. #Import Library from sklearn.cluster import KMeans
#Assumed you have, X (attributes) for training data set and x_test(attributes) of test_dataset # Create KNeighbors classifier object model k_means = KMeans(n_clusters=3, random_state=0)
# Train the model using the training sets and check score model.fit(X)
#Predict Output predicted= model.predict(x_test) |
解决聚类问题的非监督式学习算法. |
随机森林(ML分类) |
随机森林是对决策树集合的特有名称。随机森林里我们有多个决策树(所以叫“森林”)。为了给一个新的观察值分类,根据它的特征,每一个决策树都会给出一个分类。随机森林算法选出投票最多的分类作为分类结果。 #Import Library from sklearn.ensemble import RandomForestClassifier #Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset
# Create Random Forest object model= RandomForestClassifier()
# Train the model using the training sets and check score model.fit(X, y)
#Predict Output predicted= model.predict(x_test) |
|
降维算法(Dimensionality Reduction Algorithms |
怎样才能从1000或2000个变量里找到最重要的变量呢?这种情况下降维算法及其他算法,如决策树,随机森林,PCA,因子分析,相关矩阵,和缺省值比例等,就能帮我们解决难题。 #Import Library from sklearn import decomposition #Assumed you have training and test data set as train and test # Create PCA obeject pca= decomposition.PCA(n_components=k) #default value of k =min(n_sample, n_features) # For Factor analysis #fa= decomposition.FactorAnalysis() # Reduced the dimension of training dataset using PCA
train_reduced = pca.fit_transform(train)
#Reduced the dimension of test dataset test_reduced = pca.transform(test) |
|
Gradient Boosing 和 AdaBoost |
是在有大量数据时提高预测准确度的boosting算法。Boosting是一种集成学习方法。它通过有序结合多个较弱的分类器/估测器的估计结果来提高预测准确度。这些boosting算法在Kaggle,AV Hackthon, CrowdAnalytix等数据科学竞赛中有出色发挥。 #Import Library from sklearn.ensemble import GradientBoostingClassifier #Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset # Create Gradient Boosting Classifier object model= GradientBoostingClassifier(n_estimators=100, learning_rate=1.0, max_depth=1, random_state=0)
# Train the model using the training sets and check score model.fit(X, y) #Predict Output predicted= model.predict(x_test) |
|
|
|
|