scikit-learn——机器学习应用开发的步骤和理解

        scikit-learn是一个开源Python语言机器学习工具包，它涵盖了几乎所有主流机器学习算法的实现，并且提供了一致的调用接口。它基于Numpy和scipy等Python数值计算库，提供了高效的算法实现。

目录

1.数据采集和标记

2.特征选择

3.数据清洗

4.模型选择

5.模型训练

6.模型测试

7.模型保存与加载

8.实例

数据采集和标记

特征选择    

模型训练

模型测试

模型保存与加载 

---

1.数据采集和标记

        先采集数据，再对数据进行标记。其中采集数据要就有代表性，以确保最终训练出来模型的准确性。

2.特征选择

        选择特征的直观方法：直接使用图片的每个像素点作为一个特征。

        数据保存为样本个数×特征个数格式的array对象。scikit-learn使用Numpy的array对象来表示数据，所有的图片数据保存在digits.images里，每个元素都为一个8×8尺寸的灰阶图片。

3.数据清洗

        把采集到的、不合适用来做机器学习训练的数据进行预处理，从而转换为合适机器学习的数据。

        目的：减少计算量，确保模型稳定性。

4.模型选择

        对于不同的数据集，选择不同的模型有不同的效率。因此在选择模型要考虑很多的因素，来提高最终选择模型的契合度。

5.模型训练

        在进行模型训练之前，要将数据集划分为训练数据集和测试数据集，再利用划分好的数据集进行模型训练，最后得到我们训练出来的模型参数。

6.模型测试

       模型测试的直观方法：用训练出来的模型预测测试数据集，然后将预测出来的结果与真正的结果进行比较，最后比较出来的结果即为模型的准确度。

scikit-learn提供的完成这项工作的方法：

clf . score ( Xtest , Ytest)

        除此之外，还可以直接把测试数据集里的部分图片显示出来，并且在图片的左下角显示预测值，右下角显示真实值。

7.模型保存与加载

        当我们训练出一个满意的模型后即可将模型保存下来，这样当下次需要预测时，可以直接利用此模型进行预测，不用再一次进行模型训练。

8.实例

数据采集和标记

#导入库
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
"""
sk-learn库中自带了一些数据集
此处使用的就是手写数字识别图片的数据
"""
# 导入sklearn库中datasets模块
from sklearn import datasets
# 利用datasets模块中的函数load_digits()进行数据加载
digits = datasets.load_digits()
# 把数据所代表的图片显示出来
images_and_labels = list(zip(digits.images, digits.target))
plt.figure(figsize=(8, 6))
for index, (image, label) in enumerate(images_and_labels[:8]):
    plt.subplot(2, 4, index + 1)
    plt.axis('off')
    plt.imshow(image, cmap=plt.cm.gray_r, interpolation='nearest')
    plt.title('Digit: %i' % label, fontsize=20);

特征选择    

# 将数据保存为 样本个数x特征个数 格式的array对象 的数据格式进行输出
# 数据已经保存在了digits.data文件中
print("shape of raw image data: {0}".format(digits.images.shape))
print("shape of data: {0}".format(digits.data.shape))

 模型训练

# 把数据分成训练数据集和测试数据集（此处将数据集的百分之二十作为测试数据集）
from sklearn.model_selection import train_test_split
Xtrain, Xtest, Ytrain, Ytest = train_test_split(digits.data, digits.target, test_size=0.20, random_state=2);
 
# 使用支持向量机来训练模型
from sklearn import svm
clf = svm.SVC(gamma=0.001, C=100., probability=True)

# 使用训练数据集Xtrain和Ytrain来训练模型
clf.fit(Xtrain, Ytrain);

模型测试

"""
sklearn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)
normalize：默认值为True，返回正确分类的比例；如果为False，返回正确分类的样本数
"""
 
# 评估模型的准确度(此处默认为true，直接返回正确的比例，也就是模型的准确度)
from sklearn.metrics import accuracy_score

# predict是训练后返回预测结果，是标签值。
Ypred = clf.predict(Xtest);
accuracy_score(Ytest, Ypred)

模型保存与加载 

"""
将测试数据集里的部分图片显示出来
图片的左下角显示预测值，右下角显示真实值
"""

# 查看预测的情况
fig, axes = plt.subplots(4, 4, figsize=(8, 8))
fig.subplots_adjust(hspace=0.1, wspace=0.1)
 
for i, ax in enumerate(axes.flat):
    ax.imshow(Xtest[i].reshape(8, 8), cmap=plt.cm.gray_r, interpolation='nearest')
    ax.text(0.05, 0.05, str(Ypred[i]), fontsize=32,
            transform=ax.transAxes,
            color='green' if Ypred[i] == Ytest[i] else 'red')
    ax.text(0.8, 0.05, str(Ytest[i]), fontsize=32,
            transform=ax.transAxes,
            color='black')
    ax.set_xticks([])
    ax.set_yticks([])

# 保存模型参数
import joblib
joblib.dump(clf, 'digits_svm.pkl');

 保存模型参数过程中出现如下错误：

原因：sklearn.externals.joblib函数是用在0.21及以前的版本中，在最新的版本，该函数应被弃用。

解决方法：将 from sklearn.externals import joblib改为 import joblib

# 导入模型参数，直接进行预测
clf = joblib.load('digits_svm.pkl')
Ypred = clf.predict(Xtest);
clf.score(Xtest, Ytest)