如何将 Scikit-learn Python 库用于数据科学项目
AJAXHu 2018-10-16
编译自： https://opensource.com/article/18/9/how-use-scikit-learn-data-science-projects
作者： Dr.michael J.garbade
译者： Liang Chen
灵活多样的 Python 库为数据分析和数据挖掘提供了强力的机器学习工具。
Scikit-learn Python 库最初于 2007 年发布，通常用于解决各种方面的机器学习和数据科学问题。这个多种功能的库提供了整洁、一致、高效的 API 和全面的在线文档。
什么是 Scikit-learn？
Scikit-learn 是一个开源 Python 库，拥有强大的数据分析和数据挖掘工具。 在 BSD 许可下可用，并建立在以下机器学习库上：
- NumPy，一个用于操作多维数组和矩阵的库。它还具有广泛的数学函数汇集，可用于执行各种计算。
- SciPy，一个由各种库组成的生态系统，用于完成技术计算任务。
- Matplotlib，一个用于绘制各种图表和图形的库。
Scikit-learn 提供了广泛的内置算法，可以充分用于数据科学项目。
以下是使用 Scikit-learn 库的主要方法。
1、分类
分类 工具识别与提供的数据相关联的类别。例如，它们可用于将电子邮件分类为垃圾邮件或非垃圾邮件。
Scikit-learn 中的分类算法包括：
- 支持向量机(Support vector machines)（SVM）
- 最邻近(Nearest neighbors)
- 随机森林(Random forest)
2、回归
回归涉及到创建一个模型去试图理解输入和输出数据之间的关系。例如，回归工具可用于理解股票价格的行为。
回归算法包括：
- 支持向量机(Support vector machines)（SVM）
- 岭回归(Ridge regression)
- Lasso（LCTT 译注：Lasso 即 least absolute shrinkage and selection operator，又译为最小绝对值收敛和选择算子、套索算法）
3、聚类
Scikit-learn 聚类工具用于自动将具有相同特征的数据分组。 例如，可以根据客户数据的地点对客户数据进行细分。
聚类算法包括：
- K-means
- 谱聚类(Spectral clustering)
- Mean-shift
4、降维
降维降低了用于分析的随机变量的数量。例如，为了提高可视化效率，可能不会考虑外围数据。
降维算法包括：
- 主成分分析(Principal component analysis)（PCA）
- 功能选择(Feature selection)
- 非负矩阵分解(Non-negative matrix factorization)
5、模型选择
模型选择算法提供了用于比较、验证和选择要在数据科学项目中使用的最佳参数和模型的工具。
通过参数调整能够增强精度的模型选择模块包括：
- 网格搜索(Grid search)
- 交叉验证(Cross-validation)
- 指标(Metrics)
6、预处理
Scikit-learn 预处理工具在数据分析期间的特征提取和规范化中非常重要。 例如，您可以使用这些工具转换输入数据（如文本）并在分析中应用其特征。
预处理模块包括：
- 预处理
- 特征提取
Scikit-learn 库示例
让我们用一个简单的例子来说明如何在数据科学项目中使用 Scikit-learn 库。
我们将使用 鸢尾花花卉数据集 ，该数据集包含在 Scikit-learn 库中。 鸢尾花数据集包含有关三种花种的 150 个细节，三种花种分别为：
- Setosa：标记为 0
- Versicolor：标记为 1
- Virginica：标记为 2
数据集包括每种花种的以下特征（以厘米为单位）：
- 萼片长度
- 萼片宽度
- 花瓣长度
- 花瓣宽度
第 1 步：导入库
由于鸢尾花花卉数据集包含在 Scikit-learn 数据科学库中，我们可以将其加载到我们的工作区中，如下所示：
from sklearn import datasets
iris = datasets.load_iris()
这些命令从 sklearn 导入数据集 datasets 模块，然后使用 datasets 中的 load_iris() 方法将数据包含在工作空间中。
第 2 步：获取数据集特征
数据集 datasets 模块包含几种方法，使您更容易熟悉处理数据。
在 Scikit-learn 中，数据集指的是类似字典的对象，其中包含有关数据的所有详细信息。 使用 .data 键存储数据，该数据列是一个数组列表。
例如，我们可以利用 iris.data 输出有关鸢尾花花卉数据集的信息。
print(iris.data)
这是输出（结果已被截断）：
[[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]
我们还使用 iris.target 向我们提供有关花朵不同标签的信息。
print(iris.target)
这是输出：
[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]
如果我们使用 iris.target_names，我们将输出数据集中找到的标签名称的数组。
print(iris.target_names)
以下是运行 Python 代码后的结果：
['setosa' 'versicolor' 'virginica']
第 3 步：可视化数据集
我们可以使用 箱形图 来生成鸢尾花数据集的视觉描绘。 箱形图说明了数据如何通过四分位数在平面上分布的。
以下是如何实现这一目标：
import seaborn as sns
box_data = iris.data # 表示数据数组的变量
box_target = iris.target # 表示标签数组的变量
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={'figure.figsize':(2,15)})
让我们看看结果：
在横轴上：
- 0 是萼片长度
- 1 是萼片宽度
- 2 是花瓣长度
- 3 是花瓣宽度
垂直轴的尺寸以厘米为单位。
总结
以下是这个简单的 Scikit-learn 数据科学教程的完整代码。
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 # 表示数据数组的变量
box_target = iris.target # 表示标签数组的变量
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={'figure.figsize':(2,15)})
Scikit-learn 是一个多功能的 Python 库，可用于高效完成数据科学项目。
如果您想了解更多信息，请查看 LiveEdu 上的教程，例如 Andrey Bulezyuk 关于使用 Scikit-learn 库创建 机器学习应用程序 的视频。
有什么评价或者疑问吗？ 欢迎在下面分享。
via: https://opensource.com/article/18/9/how-use-scikit-learn-data-science-projects
作者： Dr.Michael J.Garbade 选题： lujun9972 译者： Flowsnow 校对： wxy
本文由 LCTT 原创编译， Linux中国 荣誉推出
