7.3 KiB
如何将Scikit-learn Python库用于数据科学项目
Scikit-learn Python库最初于2007年发布，从头到尾都通常用于解决机器学习和数据科学问题。 多功能库提供整洁，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（SVM）
- 最邻近
- 随机森林
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，回归工具可用于了解股票价格的行为。
回归算法包括：
- SVM
- 岭回归Ridge regression
- Lasso（LCTT译者注：Lasso 即 least absolute shrinkage and selection operator，又译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Iris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Iris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：校对者ID