以KNN为例用sklearn进行数据分析和预测

准备

相关的库

相关的库包括：

• numpy
• pandas
• sklearn

带入代码如下：

import pandas as pd
import numpy as np
from sklearn.neighbors import KNeighborsClassfier as KNN

数据准备

数据是sklearn的乳腺癌数据。

from skleanr.datasets import load_breast_cancer
data=load_breast_caner()

data主要分为两部分：data和target，把这两部分，设置变量导入DataFrame中可查看基本形状。

X = data.data
y = data.target

sklearn的数据其形式比较固定，data的主要属性有：

• data。数据，即变量的值，多行多列
• target。目标，即因变量的值，一般是一行
• DESCR。描述，可打印出，描述变量、目标
• features_names 。X的列名
• target_names。Y的列名
• filename。数据文件所在位置（一般在\lib\site-packages\sklearn\datasets\data\目录下）

分数据集和测试集：

from sklearn.model_selection import train_test_split
Xtrain,Xtest,Ytrain,Ytest=train_test_split(X, y, test_size=0.3)

注意：

• 0.3是指30%数据作为测试。每次运行不同，可通过random_state控制
• 返回的结果固定，不可错

建立模型

clf = KNN(n_neighbors = 5)
clf=clf.fit(Xtrain,Ytrain)

clf就是训练好的模型，可调用接口查看进行预测和评分。常用是predict、score和kneighbors。三者分别用来预测、评分、求最近邻。

在选择训练集和测试集的时候，可能会存在以下问题。

1. 选择测试集和训练集每次都是不同的，因此每次模型的效果都不同。
2. 选择测试集和训练集有时会极大影响模型。——特别是当数据是有顺序的时候。

因此需要交叉验证，找到最好的参数，再次训练模型。

K折交叉验证

K折交叉验证的方法：

cvresult=CVS(clf,X,y,cv=5)

CVS的第一个参数是训练过的模型，参数cv是折数。

cvresult.mean() # 取得均值
cvresult.var() #取得方差

可利用方差，绘制出学习曲线：

score =[]
var_=[]
krange=range(1,21)
for i in krange:
    clf=KNN(n_neighbors=i)
    cvresult=CVS(clf,X,y,cv=5)
    score.append(cvresult.mean())
    var_.append(cvresult.var())
plt.plot(krange,score,color='k')
plt.plot(krange,np.array(score)+np.array(var_)*2,c='red',linestyle='--')
plt.plot(krange,np.array(score)-np.array(var_)*2,c='red',linestyle='--')
bestindex=score.index(max(score))
print(bestindex+1)
print(score[bestindex])

常用交叉验证

• K折。特别在回归模型，若数据有顺序，结果会很糟糕
• stratifiedKfold。常用
• shuffleSplit。常用
• GroupKFold。

但是如果把数据分为：训练数据、测试数据。训练数据又分出来一部分验证数据，那么真正用于训练的数据就更小了。

归一化

KNN是距离类的模型，因此需要归一化。也就是把数据减去最差值，处以极差：

\[x^*=\frac{x-min(x)}{max(x)-min(x)}
\]

归一化要分训练集和测试集之后。（因为归一化时候用到的极值，很可能就是测试集的数据，这样事先就把数据透露给模型了）

Xtrain,Xtest,Ytrain,Ytest=train_test_split(X_,y,
                                           test_size=0.3,
                                           random_state=420)
MMS=nms().fit(Xtrain) #MMS中，有Xtrain的min,和极差
Xtest_=MMS.transform(Xtest)
Xtrain_=MMS.transform(Xtrain) #分别对训练集、测试集进行归一化

这样再运行学习曲线的代码，得到的结果就要好一些：