python分類預測模型的特點

beginnow1 2020-02-27

展開全文

模型	模型特點	位于
SVM	強大的模型,可以用來回歸,預測,分類等,而根據(jù)選取不同的和函數(shù),模型可以是線性的/非線性的	sklearn.svm
決策樹	基于"分類討論,逐步細化"思想的分類模型,模型直觀,易解釋	sklearn.tree
樸素貝葉斯	基于概率思想的簡單有效的分類模型,能夠給出容易理解的概率解釋	sklearn.naive_bayes
神經網絡	具有強大的擬合能力,可疑用于擬合,分類等,它有多個增強版本,如遞神經網絡,卷積神經網絡,自編嗎器等,這些是深度學習的模型基礎	Keras
邏輯回歸	比較基礎的線性分類模型,很多時候是簡單有效的選擇	sklearn.linear_model
隨機森林	思想跟決策樹類似,精度通常比決策樹要高,缺點是由于隨機性, 喪失了決策樹的可解釋性	sklearn.ensemble

python建模的步驟:
1. 建立一個對象(這個對象是空白的,需要進一步訓練)
2. 然后,我們要設置模型的參數(shù)
3. 接著就是通過fit()方法對模型進行訓練
4. 最后通過predict()方法預測結果
5. 對模型的評估score()方法等

聚類分析

常用聚類分析算法
與分類不同,聚類分析是在沒有給定劃分類別的情況下,根據(jù)數(shù)據(jù)相似度進行樣本分組的一種方法.與分類模型需要使用有類標記樣本構成的訓練數(shù)據(jù)不同,聚類模型可疑建立在吳磊標記的數(shù)據(jù)上,是一種非監(jiān)督的學習算法.聚類的輸入是一組為被標記的樣本,聚類根據(jù)數(shù)據(jù)自身距離或相似度將其劃分為若干組,劃分的原則是組內距離最小化而組件距離最大化.

類別	包括主要算法
劃分(分裂)方法	K-Means算法(K-均值),K-MEDOIDS算法(K-中心點),CLARANS算法(基于選擇的算法)
層次分析方法	BIRCH算法(平衡迭代規(guī)約和聚類),CURE算法(代表點聚類),CHAMLEON算法
基于密度的方法	DBSCAN算法(基于密度連接區(qū)域).DENCLUE算法(密度分布函數(shù)),OPTICS算法(對象識別排序)
基于網絡的方法	STING(統(tǒng)計信息網絡),CLIOUE算法(聚類高維空間),WAVE-CLUSTER算法(小波變換)
基于模型的方法	統(tǒng)計學方法,神經網絡方法

聚類分析的算法

算法名稱	算法描述
K-Means	K-均值聚類也稱為快速聚類法,在最小化誤差函數(shù)的基礎上家境數(shù)據(jù)劃分為預訂的類數(shù)K,該算法原理簡單并便于處理處理數(shù)據(jù)
K-中心點	K-均值算法對孤立點的敏感性, K-中心點算法不采用簇中對象的平均值作為簇中心,而選用簇中離平均值最近的對象作為簇中心
系統(tǒng)聚類	系統(tǒng)聚類也稱為多層次聚類,分類的單位由高到低呈樹形結構,且所處的為孩子越低,其包含的對象就越少,但這些對象間的共同特征越多,該聚類的方法只適合小數(shù)據(jù)量的時候使用,數(shù)據(jù)量大的時候速度會非常快

K-Means聚類算法
- 　K-Means算法十典型的基于距離的非層次聚類算法,在最小化誤差函數(shù)的基礎上將數(shù)據(jù)劃分為預定的類數(shù)K,采用距離作為相似性的評價指標,即認為兩個對象的距離越近,其相似度就越大.
- 算法過程
  1. 從N個樣本書中隨機選取K個對象作為初始的聚類中心
  2. 分別計算每個樣本到各個聚類中心的距離,將對象分配到聚類中
  3. 所有對象分配完成后,重新計算K個聚類中心.
  4. 與前一次計算得到的K個聚類中心比較,如果聚類中心發(fā)生變化轉第2步, 否則轉第5步
  5. 當質心不發(fā)生變化時停止輸出聚類結果
- 聚類的結果可能依賴初始聚類中心的隨機選擇,可能使得結果嚴重偏離全局最優(yōu)分類,實踐中,為了得到較好的效果,通常選擇不同的初始聚類中心,多次運行K-Means算法,在所有對象分配完成后,重新計算K個聚類中心時,對于連續(xù)數(shù)據(jù),聚類中心取簇的均值,但是當樣本的某些屬性是分類變量時,均值可能無定義,可疑使用K-眾數(shù)方法
- 數(shù)據(jù)類型與相似性的度量
  - 連續(xù)屬性
  - 對于連續(xù)屬性,要先對個屬性值進行零 - 均值規(guī)范, 再進行距離的計算.在K-Means聚類算法中,一般需要度量樣本之間的距離,樣本與簇之間的距離以及簇與簇之間的距離
  - 度量樣本之間的相似性最常用的是歐幾里得距離,曼哈頓距離和閔可夫斯基距離;樣本與簇之間的距離可以用樣本到簇中心的距離d(e_i,x);簇與簇之間的距離剋用簇中心的距離d(e_i,e_j)
  - 歐幾里得距離:
    - d(i,j) = ((x_i1 - x_j1)² + (x_i2 - x_j2)² + ... + (x_ip - x_jp)²)^1/2
  - 曼哈頓距離:
    - d(i,j) = |x_i1 - x_j1| + |x_i1 - x_j1| + ... + |x_ip - x_jp|
  - 閔可夫斯基距離:
    - d(i,j) = ((|x_i1 - x_j1|)^q + (|x_i2 - x_j2|)^q + ... + (|x_ip - x_jp|)^q)^1/2
  - q為正整數(shù), q=1時,即為曼哈頓距離,;q=2時即為歐幾里得距離
- 目標函數(shù)
  - 使用誤差平方和SSE作為度量聚類質量的目標函數(shù),對于兩種不同的聚類結果,訓著誤差平方和較小的分類結果.
  - 連續(xù)屬性的SSE計算公式為:
    - SSE = ∑^K_i=1∑_x€Eidist(eⁱ, x)²
  - 文檔數(shù)據(jù)的SSE計算公式為:
    - SE = ∑^K_i=1∑_x€Eicos(eⁱ, x)²
  - 簇Ei的聚類中心ei計算公式為
    - ei = 1/n_i∑_x€Eix
  - 符號
    
    含義
    
    符號
    
    含義
    
    k 聚類簇的個數(shù) e_i 簇E_i的聚類中心
    
    E_i 第i個簇 n_i 第i個簇中樣本的個數(shù)
    
    x 對象(樣本)

- 消費行為數(shù)據(jù):

ID	R(最近一次消費時間間隔)	F(消費頻率)	M(消費總金額)
1	37	4	579
2	35	3	616
3	25	10	394
4	52	2	111
5	36	7	521
6	41	5	225
7	56	3	118
8	37	5	793
9	54	2	111
10	5	18	1086

采用K-Means聚類算法,設定聚類個數(shù)K為3,最大迭代次數(shù)為500次,距離函數(shù)取歐式距離

import pandas as pd
k = 3 # 聚類的類別
iteration = 500 # 聚類最大循環(huán)次數(shù)
data = pd.read_csv("sales_bak.csv",sep=",",header=None,
                   names=["ID", "R", "F", "M"])
data_zs = 1.0*(data - data.mean()) / data.std()  # 數(shù)據(jù)標準化
from sklearn.cluster import KMeans
model = KMeans(n_clusters=k, n_jobs=4, max_iter=iteration)  # 分為k類并發(fā)數(shù)4
model.fit(data_zs)  # 開始聚類

# 打印結果
r1 = pd.Series(model.labels_).value  # 統(tǒng)計各個類別的數(shù)目
r2 = pd.DataFrame(model.cluster_centers_)  # 找到聚類中心
r = pd.concat([r2,r1], axis=1)  # 橫向連接(0時縱向),得到聚類中心對應的類別下的數(shù)目
r.columns = list(data.column) + [u'類別數(shù)目']  # 重命名表頭
print r

# 詳細輸出原始數(shù)據(jù)機器類別
r = pd.concat([data, pd.Series(model.labels_, index=data.index)], axis=1)  # 詳細輸出每個樣本對應的類別
r.columns = list(data.columns) + [u'聚類類別']  # 重命名表頭
r.to_excel("sales.xlxs")

事實上,Scikit-Learn中的K-Means算法僅僅支持歐式距離,原因在于采用其他的距離并不一定能夠保證算法的收斂性
然后用pandas和Matplotlib繪制的不同客戶分群的概率密度函數(shù)圖,通過這些圖能直觀的比較不同客戶群的價值

聚類分析算法評價

聚類分析僅根據(jù)樣本數(shù)據(jù)本身將樣本分組,其目標時實現(xiàn)組內的對象相互之間時相似的(相關的),而不同組中的對象時不同的(不相關),組內的相似性越大,組間差別越大,聚類效果就越好
purity評價法
- purity方法時極為簡單的一種聚類評價方法,只需計算正確聚類占總數(shù)的比例
  - purity(x,y) = 1/n∑_kmax| x_kΩ y_i |
- 其中,x = (x1, x2, ... xk)時聚類的集合.xk表示第k個聚類的集合.y=(y1,y2,...yk)表示需要被聚類的集合,yi表示第i個聚類對象.n表示被聚類集合對象的總數(shù)
RI評價法
- 實際上,這是一種用排列組合原理來對聚類進行評價的手段,RI評價公式如下.
  - RI = R + W / R + M + D + W
- 其中,R是指被聚在一類兩個對象被正確分類了,w是指不應該被聚在一類的兩個對象被正確分開.M是指不應該放在一起的對象被錯誤的放在一類,D是指不應該分開的對象被錯誤的分開了.
F指評價法
- 這是基于上述RI方法衍生出的一個方法,F評價公式如下:
  - Fa = (I + α^₂)pr / α²? + r
- 其中, p = R / R + M, r = R / (R + D)
- 實際上RI方法就是吧準確率P和召回率r看的同等重要,事實上,有時候我們可能需要某一特性更多一點,這時候就適合使用F值方法.

python主要聚類分析算法:

python的聚類相關的算法主要在Scikit-Learn中, python里面實現(xiàn)的聚類主要包括K-Means聚類,層次聚類, FCM以及神經網絡聚類,

對象名	函數(shù)功能	所屬工具箱
KMeans	K均值聚類	sklearn.cluster
AffinityPropahation	吸引力傳播聚類,2007年提出,幾乎優(yōu)于所有的其他方法,不需要指定聚類數(shù),單運行效率較低	sklearn.cluster
MeanShift	均值漂移聚類	sklearn.cluster
SpectralClustring	譜聚類,具有效果比k均值好,速度比K均值快等特點	sklearn.cluster
AgglomerativeClustering	層次聚類,給出一棵聚類層次樹	sklearn.cluster
DBSCAN	具有噪聲的基于密度的聚類方法	sklearn.cluster
BIRCH	綜合的層次聚類算法,可以處理大規(guī)模數(shù)據(jù)的聚類	sklearn.cluster

這些不同模型的使用方法是大同小異的,都是基本先使用對應的函數(shù)建立模型,然后用.fit()方法來訓練模型,訓練好之后,就可以用.label_方法給出樣本數(shù)據(jù)的標簽,或者用.predict()方法預測新的輸入標簽.
此外,Scipy庫也提供了一個聚類子庫scipy.cluster,里邊提供了一些聚類算法,如層次聚類等,但沒有Scikit-Learn那么完善和豐富.scipy.cluster的好處黑絲它的函數(shù)名和功能基本根python時一一對應的,如層次聚類的linkage,dendrogram等,因此已經熟悉python的朋友,可疑嘗試使用Scipy提供的聚類庫.

# -*- coding:utf-8 -*-

import sys

reload(sys)
sys.setdefaultencoding("utf-8")

"""
使用神經網絡算法預測銷量高低
"""
from sklearn.manifold import TSNE
import pandas as pd

k = 3 # 聚類的類別
iteration = 500 # 聚類最大循環(huán)次數(shù)

data = pd.read_csv("sales_bak.csv", sep="\t",header=None,
                   names=["a", "b", "c"])  # 讀取csv中的數(shù)據(jù)
data_zs = 1.0 * (data - data.mean()) / data.std()  # 數(shù)據(jù)標準化
tsne = TSNE()  # 實例化一個TENS空白的對象
tsne.fit_transform(data_zs)  # 進行數(shù)據(jù)降維
tsne = pd.DataFrame(tsne.embedding_,index = data_zs.index)  # 轉換數(shù)據(jù)格式

import matplotlib.pyplot as plt
plt.rcParams['font,sans-serif'] = ['SimHei']  # 用來正常顯示中文標簽
plt.rcParams['zxes.unicode_minus'] = False # 用來正常顯示負號
d = tsne[r[u'聚類類別'] == 0 ]
plt.plot(d[0], d[1], 'r.')
d = tsne[r[u'聚類類別'] == 1 ]
plt.plot(d[0], d[1], 'go')
d = tsne[r[u'聚類類別'] == 2]
plt.plot(d[0], d[1], 'b*')
plt.show()