ML sklearn快速入门

申明：该系列博客是学习 sklearn 的笔记，内容将涵盖大部分机器学习的方法。本人微博@迅猛龙Daniel，能力有限，存在任何问题，希望共同交流。该博客采用马克飞象专业版编写，感谢开发者@GGock。

环境：

• ubuntu 12.04, 64 bits
• python 2.7
• sklearn 0.14

好几个月没有写博客了，现在闲着有空，把 sklearn 的基本模型学一学。实际上 scikit-learn 的学习材料非常非常齐全，建议英文好的同学直接看官方文档，我这个只能算是零散的辅助材料。

准备

sklearn 快速入门的官方文档在这里。这个文档主要描述机器学习的概念，以及如何加载数据，训练模型，保存模型。

这里我还提供另外一个更加详细的材料，这份材料基于ipython notebook，可以在浏览器里运行代码，功能强大，演示效果非常好，github下载地址。如果电脑上没有安装git，请参考这篇博客进行设置。

• 将材料下载到本地：

  git clone git@github.com:jakevdp/sklearn_pycon2013.git

• 安装 ipython-notebook

  sudo easy_install "ipython>=0.13" jinja2 "tornado>=3.1.0" pyzmqsudo apt-get install ipython-notebook

• 打开材料

  cd PATH/TO/sklearn_pycon2013/notebookipython notebook --pylab inline

  --pylab inline参数可以使 notebook 在浏览器里面直接画图效果

数据

sklearn 中的数据一般存放为二维数组，形状为 [n_samples, n_feartures]。比如著名的iris 数据集（鸢尾花）包含了三种类别的花（target），共 150 组数据（samples），每组数据由 4 个特征组成，具体来说就是：萼片的长度、萼片的宽度、花瓣的长度、花瓣的宽度。那么，iris 数据集的 data 就由 150＊4 的二维数组组成。

sklearn 提供了很多数据集，一类比较小，直接打包在库中，可以通过datasets.load_ + Tab来查看，另一类比较大，需要下载，可以通过datasets.fetch_ + Tab查看，下载的目录可以通过sklearn.datasets.get_data_home()查看。

更详细的信息请参考 notebook 中的02_sklearn_data.ipynb文件。

接口

创建一个机器学习的模型很简单：

from sklearn.linear_model import LinearRegressionmodel = LinearRegression()print model

所有模型提供的接口有：

• model.fit(): 实际上就是训练，对于监督模型来说是 fit(X, y)，对于非监督模型是 fit(X)。

监督模型提供：

• model.predict(X_new): 判别新样本
• model.predict_proba(X_new): 某些模型可以输出概率，比如 LR，上一个输出的就是概率最大的 target
• model.score(): 得分越高，fit 越好

非监督模型提供：

• model.transform(): 将新数据转到新基空间
• model.fit_transform(): 不懂。

下面这个图展示了这些接口在机器学习模型中的位置：