教你用Python實(shí)現(xiàn)簡(jiǎn)單監(jiān)督學(xué)習(xí)算法

監(jiān)督學(xué)習(xí)作為運(yùn)用最廣泛的機(jī)器學(xué)習(xí)方法，一直以來(lái)都是從數(shù)據(jù)挖掘信息的重要手段。即便是在無(wú)監(jiān)督學(xué)習(xí)興起的近日，監(jiān)督學(xué)習(xí)也依舊是入門(mén)機(jī)器學(xué)習(xí)的鑰匙。

這篇監(jiān)督學(xué)習(xí)教程適用于剛?cè)腴T(mén)機(jī)器學(xué)習(xí)的小白。

當(dāng)然了，如果你已經(jīng)熟練掌握監(jiān)督學(xué)習(xí)，也不妨快速瀏覽這篇教程，檢驗(yàn)一下自己的理解程度~

什么是監(jiān)督學(xué)習(xí)？

在監(jiān)督學(xué)習(xí)中，我們首先導(dǎo)入包含有訓(xùn)練屬性和目標(biāo)屬性的數(shù)據(jù)集。監(jiān)督學(xué)習(xí)算法會(huì)從數(shù)據(jù)集中學(xué)習(xí)得出訓(xùn)練樣本和其目標(biāo)變量之間的關(guān)系，然后將學(xué)習(xí)到的關(guān)系對(duì)新樣本（未被標(biāo)記的樣本）進(jìn)行分類(lèi)。

為了闡明監(jiān)督學(xué)習(xí)的工作原理，我們用根據(jù)學(xué)生學(xué)習(xí)時(shí)間預(yù)測(cè)其考試成績(jī)的例子來(lái)說(shuō)明。

用數(shù)學(xué)表示，即Y = f(X)+ C，其中

f表示學(xué)生學(xué)習(xí)時(shí)間和考試成績(jī)之間的關(guān)系

X表示輸入（學(xué)習(xí)小時(shí)數(shù)）

Y表示輸出（考試分?jǐn)?shù)）

C表示隨機(jī)誤差

監(jiān)督學(xué)習(xí)算法的終極目標(biāo)是給出新的輸入X，使得預(yù)測(cè)結(jié)果Y的準(zhǔn)確率最大。有很多方法可以實(shí)現(xiàn)有監(jiān)督學(xué)習(xí)，我們將探討幾種最常用的方法。

根據(jù)給定的數(shù)據(jù)集，機(jī)器學(xué)習(xí)可以分為兩大類(lèi)：分類(lèi)（Classification）和回歸（Regression）。如果給定的數(shù)據(jù)集的輸出值是類(lèi)別，那么待解決是分類(lèi)問(wèn)題。如果給定的數(shù)據(jù)集的輸出值是連續(xù)的，那么該問(wèn)題是回歸問(wèn)題。

舉兩個(gè)例子

分類(lèi)：判斷是貓還是狗。

回歸：房子的售價(jià)是多少？

分類(lèi)

考慮這樣一個(gè)例子，醫(yī)學(xué)研究員想要分析乳腺癌數(shù)據(jù)，用于預(yù)測(cè)患者使用三種治療方案中的哪一種。該數(shù)據(jù)分析問(wèn)題就屬于分類(lèi)問(wèn)題，通過(guò)建立分類(lèi)模型來(lái)預(yù)測(cè)類(lèi)別標(biāo)簽，例如“治療方案A”、“治療方案B”或者“治療方案C”。

分類(lèi)是一個(gè)預(yù)測(cè)類(lèi)別標(biāo)簽的預(yù)測(cè)問(wèn)題，這些類(lèi)別標(biāo)簽都是離散和無(wú)序的。分類(lèi)包含兩個(gè)步驟：學(xué)習(xí)步驟和分類(lèi)步驟。

分類(lèi)方法和選擇最優(yōu)方法

一些常見(jiàn)的分類(lèi)算法：

K近鄰

決策樹(shù)

樸素貝葉斯

支持向量機(jī)

在學(xué)習(xí)步驟中，分類(lèi)模型通過(guò)分析訓(xùn)練集數(shù)據(jù)建立一個(gè)分類(lèi)器。在分類(lèi)步驟中，分類(lèi)器對(duì)給定的數(shù)據(jù)進(jìn)行分類(lèi)。用于分析的數(shù)據(jù)集（包含數(shù)據(jù)和其對(duì)應(yīng)的標(biāo)簽）被劃分為訓(xùn)練集和測(cè)試集。訓(xùn)練集從分析用的數(shù)據(jù)集中隨機(jī)抽取。剩下的數(shù)據(jù)集構(gòu)成測(cè)試集。測(cè)試集和訓(xùn)練集相互獨(dú)立，即測(cè)試集中的數(shù)據(jù)不會(huì)被構(gòu)建于分類(lèi)器。

測(cè)試集用于評(píng)價(jià)分類(lèi)器的預(yù)測(cè)精度。分類(lèi)器的精度用測(cè)試集中預(yù)測(cè)正確的百分比表示。為了獲得更高的精度，最好的方法是測(cè)試多個(gè)不同的算法，同時(shí)，對(duì)每個(gè)算法嘗試不同的參數(shù)?？梢酝ㄟ^(guò)交互檢驗(yàn)選擇最好的算法和參數(shù)。

對(duì)于給定問(wèn)題，在選取算法時(shí)，算法的精度、訓(xùn)練時(shí)間、線(xiàn)性、參數(shù)數(shù)目以及特殊情況都要考慮在內(nèi)。

在IRIS數(shù)據(jù)集上實(shí)現(xiàn)sklearn中的KNN，并對(duì)給定的輸入進(jìn)行花卉類(lèi)型分類(lèi)。

首先，要應(yīng)用機(jī)器學(xué)習(xí)算法，我們需要了解給定數(shù)據(jù)集的組成。在這個(gè)例子中，我們使用內(nèi)置在sklearn包中的IRIS數(shù)據(jù)集。現(xiàn)在讓我們使用代碼查看IRIS數(shù)據(jù)集。

請(qǐng)確保你的電腦上成功安裝了Python。然后，通過(guò)PIP安裝下面這些python庫(kù)：

pip install pandaspip install matplotlibpip install scikit-learn

在下面這段代碼中，我們使用pandas中的一些方法查看IRIS數(shù)據(jù)集的一些屬性。

from sklearn import datasetsimport pandas as pdimport matplotlib.pyplot as plt# Loading IRIS dataset from scikit-learn object into iris variable.iris = datasets.load_iris()# Prints the type/type object of irisprint(type(iris))# <class'sklearn.datasets.base.Bunch'># prints the dictionary keys of iris dataprint(iris.keys())# prints the type/type object of given attributesprint(type(iris.data), type(iris.target))# prints the no of rows and columns in the datasetprint(iris.data.shape)# prints the target set of the dataprint(iris.target_names)# Load iris training datasetX = iris.data# Load iris target setY = iris.target# Convert datasets' type into dataframedf = pd.DataFrame(X, columns=iris.feature_names)# Print the first five tuples of dataframe.print(df.head())

輸出：

<class ‘sklearn.datasets.base.Bunch’>dict_keys([‘data’, ‘target’, ‘target_names’, ‘DESCR’, ‘feature_names’])]<class ‘numpy.ndarray’> <class ‘numpy.ndarray’>(150, 4)[‘setosa’ ‘versicolor’ ‘virginica’]sepal length(cm) sepal width(cm) petal length(cm) petal width(cm)0 5.1 3.5 1.4 0.21 4.9 3.0 1.4 0.22 4.7 3.2 1.3 0.23 4.6 3.1 1.5 0.24 5.0 3.6 1.4 0.2

Sklearn中的K最近鄰算法

如果一個(gè)算法僅存儲(chǔ)訓(xùn)練集數(shù)據(jù)，并等待測(cè)試集數(shù)據(jù)的給出，那么這個(gè)算法便可認(rèn)為是一個(gè)“懶惰學(xué)習(xí)法”。直到給定測(cè)試集數(shù)據(jù)，它才會(huì)根據(jù)它與存儲(chǔ)的訓(xùn)練集樣本的相似性來(lái)對(duì)新樣本進(jìn)行分類(lèi)。

K近鄰分類(lèi)器就是一個(gè)懶惰學(xué)習(xí)法。

K近鄰基于類(lèi)比學(xué)習(xí)，比較一個(gè)測(cè)試樣本和與之相似訓(xùn)練集數(shù)據(jù)。訓(xùn)練集有n個(gè)屬性表征。每個(gè)樣本由n維空間中的一個(gè)點(diǎn)表示。這樣，訓(xùn)練集中的所有樣本都儲(chǔ)存在n維模式空間中。當(dāng)給定一個(gè)未知的樣本，K近鄰分類(lèi)器在模式空間中搜尋和未知樣本最接近的k個(gè)訓(xùn)練樣本。這k個(gè)訓(xùn)練樣本就是未知樣本的k個(gè)近鄰。

“接近度”用距離來(lái)度量，例如歐幾里得距離。較好的K值可以通過(guò)實(shí)驗(yàn)確定。

在下面這段代碼中，我們導(dǎo)入KNN分類(lèi)器，將之應(yīng)用到我們的輸入數(shù)據(jù)中，然后對(duì)花卉進(jìn)行分類(lèi)。

from sklearn import datasetsfrom sklearn.neighbors import KNeighborsClassifier# Load iris dataset from sklearniris = datasets.load_iris()# Declare an of the KNN classifier class with the value with neighbors.knn = KNeighborsClassifier(n_neighbors=6)# Fit the model with training data and target valuesknn.fit(iris['data'], iris['target'])# Provide data whose class labels are to be predictedX = [ [5.9, 1.0, 5.1, 1.8], [3.4, 2.0, 1.1, 4.8],]# Prints the data providedprint(X)# Store predicted class labels of Xprediction = knn.predict(X)# Prints the predicted class labels of Xprint(prediction)

輸出：

[11]

其中，0，1，2分別代表不同的花。在該例子中，對(duì)于給定的輸入，KNN分類(lèi)器將它們都預(yù)測(cè)成為1這個(gè)類(lèi)別的花。

KNN對(duì)IRIS數(shù)據(jù)集分類(lèi)的直觀可視化

回歸

回歸通常被定義為確定兩個(gè)或多個(gè)變量之間的相關(guān)關(guān)系。例如，你要通過(guò)給定的數(shù)據(jù)X預(yù)測(cè)一個(gè)人的收入。這里，目標(biāo)變量是指該變量是我們關(guān)心以及想要預(yù)測(cè)的未知變量，而連續(xù)是指Y的取值沒(méi)有間隔。

預(yù)測(cè)收入是一個(gè)經(jīng)典的回歸問(wèn)題。你的輸入應(yīng)當(dāng)包含所有與收入相關(guān)的個(gè)人信息（比如特征），這些信息可以預(yù)測(cè)收入，例如工作時(shí)長(zhǎng)、教育經(jīng)歷、職稱(chēng)以及他的曾住地等。

回歸模型

一些常見(jiàn)的回歸模型有

線(xiàn)性回歸

邏輯回歸

多項(xiàng)式回歸

線(xiàn)性回歸通過(guò)擬合一條直線(xiàn)（回歸線(xiàn)）來(lái)建立因變量（Y）與一個(gè)或多個(gè)自變量（X）之間關(guān)系。

用數(shù)學(xué)公示表示，即h(xi) = βo + β1 * xi + e，其中

βo是截距

β1是斜率

e是誤差項(xiàng)

用圖表示，即

邏輯回歸是一種預(yù)測(cè)類(lèi)別的算法，用于找出特征和特定輸出概率之間關(guān)系。

當(dāng)然了，我們也可以把邏輯回歸歸類(lèi)為分類(lèi)算法，但就像我們剛才所說(shuō)，邏輯回歸的輸出其實(shí)是目標(biāo)對(duì)象屬于某一類(lèi)別的概率。既然概率是連續(xù)的，我們依舊把邏輯回歸算作回歸算法。

用數(shù)學(xué)公式表示：p(X) = βo + β1 * X，其中p(x) = p(y = 1 | x)

圖形表示為

多項(xiàng)式回歸是一種將自變量x與因變量y的關(guān)系擬合為x的n階多項(xiàng)式的回歸算法。

解決線(xiàn)性回歸問(wèn)題

我們有數(shù)據(jù)集X，以及對(duì)應(yīng)的目標(biāo)值Y，我們使用普通最小二乘法通過(guò)最小化預(yù)測(cè)誤差來(lái)擬合線(xiàn)性模型

給定的數(shù)據(jù)集同樣劃分為訓(xùn)練集和測(cè)試集。訓(xùn)練集由已知標(biāo)簽的樣本組成，因此算法能夠通過(guò)這些已知標(biāo)簽的樣本來(lái)學(xué)習(xí)。測(cè)試集樣本不包含標(biāo)簽，你并不知道你試圖預(yù)測(cè)樣本的標(biāo)簽值。

我們將選擇一個(gè)需要訓(xùn)練的特征，應(yīng)用線(xiàn)性回歸方法擬合訓(xùn)練數(shù)據(jù)，然后預(yù)測(cè)測(cè)試集的輸出。

用Sklearn實(shí)現(xiàn)線(xiàn)性回歸

from sklearn import datasets, linear_modelimport matplotlib.pyplot as pltimport numpy as np# Load the diabetes datasetdiabetes = datasets.load_diabetes()# Use only one feature for trainingdiabetes_X = diabetes.data[:, np.newaxis, 2]# Split the data into training/testing setsdiabetes_X_train = diabetes_X[:-20]diabetes_X_test = diabetes_X[-20:]# Split the targets into training/testing setsdiabetes_y_train = diabetes.target[:-20]diabetes_y_test = diabetes.target[-20:]# Create linear regression objectregr = linear_model.LinearRegression()# Train the model using the training setsregr.fit(diabetes_X_train, diabetes_y_train)# Input dataprint('Input Values')print(diabetes_X_test)# Make predictions using the testing setdiabetes_y_pred = regr.predict(diabetes_X_test)# Predicted Dataprint("Predicted Output Values")print(diabetes_y_pred)# Plot outputsplt.scatter(diabetes_X_test, diabetes_y_test, color='black')plt.plot(diabetes_X_test, diabetes_y_pred, color='red', linewidth=1)plt.show()

輸入

輸入值：

[ [ 0.07786339] [-0.03961813] [ 0.01103904] [-0.04069594] [-0.03422907] [ 0.00564998] [ 0.08864151] [-0.03315126] [-0.05686312] [-0.03099563] [ 0.05522933] [-0.06009656] [ 0.00133873] [-0.02345095] [-0.07410811] [ 0.01966154] [-0.01590626] [-0.01590626] [ 0.03906215] [-0.0730303 ] ]

預(yù)測(cè)的輸出值：

[ 225.9732401115.74763374163.27610621114.73638965 120.80385422158.21988574236.08568105121.8150983299.56772822123.83758651204.7371141196.53399594154.17490936130.9162951783.3878227171.36605897137.99500384137.99500384189.5684526884.3990668 ]

結(jié)語(yǔ)

提一下常用的監(jiān)督學(xué)習(xí)的python庫(kù)

Scikit-Learn

Tensorflow

Pytorch