本篇文章給大家帶來的內容是關于Python中實現機器學習功能的四種方法介紹，有一定的參考價值，有需要的朋友可以參考一下，希望對你有所幫助。

在本文中，我們將介紹從數據集中選擇要素的不同方法; 并使用Scikit-learn（sklearn）庫討論特征選擇算法的類型及其在Python中的實現 ：單變量特征選擇

遞歸特征消除(RFE)

主成分分析（PCA）

特征選擇 (feature importance)

單變量特征選擇

統計測試可用于選擇與輸出變量具有最強關系的那些特征。

scikit-learn庫提供SelectKBest類，可以與一組不同的統計測試一起使用，以選擇特定數量的功能。

以下示例使用chi平方（chi ^ 2）統計檢驗非負特征來選擇Pima Indians糖尿病數據集中的四個最佳特征：#Feature Extraction with Univariate Statistical Tests (Chi-squared for classification)

#Import the required packages

#Import pandas to read csv import pandas

#Import numpy for array related operations import numpy

#Import sklearn's feature selection algorithm

from sklearn.feature_selection import SelectKBest

#Import chi2 for performing chi square test from sklearn.feature_selection import chi2

#URL for loading the dataset

url ="https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians diabetes/pima-indians-diabetes.data"

#Define the attribute names

names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']

#Create pandas data frame by loading the data from URL

dataframe = pandas.read_csv(url, names=names)

#Create array from data values

array = dataframe.values

#Split the data into input and target

X = array[:,0:8]

Y = array[:,8]

#We will select the features using chi square

test = SelectKBest(score_func=chi2, k=4)

#Fit the function for ranking the features by score

fit = test.fit(X, Y)

#Summarize scores numpy.set_printoptions(precision=3) print(fit.scores_)

#Apply the transformation on to dataset

features = fit.transform(X)

#Summarize selected features print(features[0:5,:])

每個屬性的分數和所選的四個屬性（分數最高的分數）：plas，test，mass和age。

每個功能的分數：[111.52 1411.887 17.605 53.108 2175.565 127.669 5.393

181.304]

特色：[[148. 0. 33.6 50. ]

[85. 0. 26.6 31. ]

[183. 0. 23.3 32. ]

[89. 94. 28.1 21. ]

[137. 168. 43.1 33. ]]

遞歸特征消除(RFE)

RFE通過遞歸刪除屬性并在剩余的屬性上構建模型來工作。它使用模型精度來識別哪些屬性（和屬性組合）對預測目標屬性的貢獻最大。以下示例使用RFE和邏輯回歸算法來選擇前三個特征。算法的選擇并不重要，只要它技巧性和一致性：#Import the required packages

#Import pandas to read csv import pandas

#Import numpy for array related operations import numpy

#Import sklearn's feature selection algorithm from sklearn.feature_selection import RFE

#Import LogisticRegression for performing chi square test from sklearn.linear_model import LogisticRegression

#URL for loading the dataset

url =

"https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-dia betes/pima-indians-diabetes.data"

#Define the attribute names

names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']

#Create pandas data frame by loading the data from URL

dataframe = pandas.read_csv(url, names=names)

#Create array from data values

array = dataframe.values

#Split the data into input and target

X = array[:,0:8]

Y = array[:,8]

#Feature extraction

model = LogisticRegression() rfe = RFE(model, 3)

fit = rfe.fit(X, Y)

print("Num Features: %d"% fit.n_features_) print("Selected Features: %s"% fit.support_) print("Feature Ranking: %s"% fit.ranking_)

執行后，我們將獲得：Num Features: 3

Selected Features: [ True False False False False True True False]

Feature Ranking: [1 2 3 5 6 1 1 4]

您可以看到RFE選擇了前三個功能，如preg，mass和pedi。這些在support_數組中標記為True，并在ranking_數組中標記為選項1。

主成分分析（PCA）

PCA使用線性代數將數據集轉換為壓縮形式。通常，它被認為是數據簡化技術。PCA的一個屬性是您可以選擇轉換結果中的維數或主成分數。

在以下示例中，我們使用PCA并選擇三個主要組件：#Import the required packages

#Import pandas to read csv import pandas

#Import numpy for array related operations import numpy

#Import sklearn's PCA algorithm

from sklearn.decomposition import PCA

#URL for loading the dataset

url =

"https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians diabetes/pima-indians-diabetes.data"

#Define the attribute names

names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']

dataframe = pandas.read_csv(url, names=names)

#Create array from data values

array = dataframe.values

#Split the data into input and target

X = array[:,0:8]

Y = array[:,8]

#Feature extraction

pca = PCA(n_components=3) fit = pca.fit(X)

#Summarize components

print("Explained Variance: %s") % fit.explained_variance_ratio_

print(fit.components_)

您可以看到轉換后的數據集（三個主要組件）與源數據幾乎沒有相似之處：Explained Variance: [ 0.88854663 0.06159078 0.02579012]

[[ -2.02176587e-03 9.78115765e-02 1.60930503e-02 6.07566861e-02

9.93110844e-01 1.40108085e-02 5.37167919e-04 -3.56474430e-03]

[ -2.26488861e-02 -9.72210040e-01 -1.41909330e-01 5.78614699e-02 9.46266913e-02 -4.69729766e-02 -8.16804621e-04 -1.40168181e-01

[ -2.24649003e-02 1.43428710e-01 -9.22467192e-01 -3.07013055e-01 2.09773019e-02 -1.32444542e-01 -6.39983017e-04 -1.25454310e-01]]

特征選擇 (feature importance)

特征重要性是用于使用訓練有監督的分類器來選擇特征的技術。當我們訓練分類器（例如決策樹）時，我們會評估每個屬性以創建分裂; 我們可以將此度量用作特征選擇器。讓我們詳細了解它。

隨機森林是最受歡迎的 機器學習方法之一，因為它們具有相對較好的準確性，穩健性和易用性。它們還提供了兩種直接的特征選擇方法 - 平均降低雜質和平均降低精度。

隨機森林由許多決策樹組成。決策樹中的每個節點都是單個要素上的條件，旨在將數據集拆分為兩個，以便類似的響應值最終出現在同一個集合中。選擇（局部）最佳條件的度量稱為雜質。對于分類，它通常是基尼系數

雜質或信息增益/熵，對于回歸樹，它是方差。因此，當訓練樹時，可以通過每個特征減少樹中的加權雜質的程度來計算它。對于森林，可以對每個特征的雜質減少進行平均，并且根據該度量對特征進行排序。

讓我們看看如何使用隨機森林分類器進行特征選擇，并評估特征選擇前后分類器的準確性。我們將使用Otto數據集。

該數據集描述了超過61,000種產品的93個模糊細節，這些產品分為10個產品類別（例如，時裝，電子產品等）。輸入屬性是某種不同事件的計數。

目標是將新產品的預測作為10個類別中每個類別的概率數組，并使用多類對數損失（也稱為交叉熵）來評估模型。

我們將從導入所有庫開始：#Import the supporting libraries

#Import pandas to load the dataset from csv file

from pandas import read_csv

#Import numpy for array based operations and calculations

import numpy as np

#Import Random Forest classifier class from sklearn

from sklearn.ensemble import RandomForestClassifier

#Import feature selector class select model of sklearn

from sklearn.feature_selection

import SelectFromModel

np.random.seed(1)

讓我們定義一種方法將數據集拆分為訓練和測試數據; 我們將在訓練部分訓練我們的數據集，測試部分將用于評估訓練模型：#Function to create Train and Test set from the original dataset def getTrainTestData(dataset,split):

np.random.seed(0) training = [] testing = []

np.random.shuffle(dataset) shape = np.shape(dataset)

trainlength = np.uint16(np.floor(split*shape[0]))

for i in range(trainlength): training.append(dataset[i])

for i in range(trainlength,shape[0]): testing.append(dataset[i])

training = np.array(training) testing = np.array(testing)

return training,testing

我們還需要添加一個函數來評估模型的準確性; 它將預測和實際輸出作為輸入來計算百分比準確度：#Function to evaluate model performance

def getAccuracy(pre,ytest): count = 0

for i in range(len(ytest)):

if ytest[i]==pre[i]: count+=1

acc = float(count)/len(ytest)

return acc

這是加載數據集的時間。我們將加載train.csv文件; 此文件包含超過61,000個訓練實例。我們將在我們的示例中使用50000個實例，其中我們將使用35,000個實例來訓練分類器，并使用15,000個實例來測試分類器的性能：#Load dataset as pandas data frame

data = read_csv('train.csv')

#Extract attribute names from the data frame

feat = data.keys()

feat_labels = feat.get_values()

#Extract data values from the data frame

dataset = data.values

#Shuffle the dataset

np.random.shuffle(dataset)

#We will select 50000 instances to train the classifier

inst = 50000

#Extract 50000 instances from the dataset

dataset = dataset[0:inst,:]

#Create Training and Testing data for performance evaluation

train,test = getTrainTestData(dataset, 0.7)

#Split data into input and output variable with selected features

Xtrain = train[:,0:94] ytrain = train[:,94] shape = np.shape(Xtrain)

print("Shape of the dataset ",shape)

#Print the size of Data in MBs

print("Size of Data set before feature selection: %.2f MB"%(Xtrain.nbytes/1e6))

我們在這里注意數據大小; 因為我們的數據集包含大約35000個具有94個屬性的訓練實例; 我們的數據集的大小非常大。讓我們來看看：Shape of the dataset (35000, 94)

Size of Data set before feature selection: 26.32 MB

如您所見，我們的數據集中有35000行和94列，超過26 MB數據。

在下一個代碼塊中，我們將配置隨機林分類器; 我們將使用250棵樹，最大深度為30，隨機要素的數量為7.其他超參數將是sklearn的默認值：#Lets select the test data for model evaluation purpose

Xtest = test[:,0:94] ytest = test[:,94]

#Create a random forest classifier with the following Parameters

trees = 250

max_feat = 7

max_depth = 30

min_sample = 2

clf = RandomForestClassifier(n_estimators=trees,

max_features=max_feat,

max_depth=max_depth,

min_samples_split= min_sample, random_state=0,

n_jobs=-1)

#Train the classifier and calculate the training time

import time

start = time.time() clf.fit(Xtrain, ytrain) end = time.time()

#Lets Note down the model training time

print("Execution time for building the Tree is: %f"%(float(end)- float(start)))

pre = clf.predict(Xtest)

Let's see how much time is required to train the model on the training dataset:

Execution time for building the Tree is: 2.913641

#Evaluate the model performance for the test data

acc = getAccuracy(pre, ytest)

print("Accuracy of model before feature selection is %.2f"%(100*acc))

我們模型的準確性是：

特征選擇前的模型精度為98.82

正如您所看到的，我們正在獲得非常好的準確性，因為我們將近99％的測試數據分類到正確的類別中。這意味著我們正在對15,000個正確類中的14,823個實例進行分類。

那么，現在我的問題是：我們是否應該進一步改進？好吧，為什么不呢？如果可以的話，我們肯定會尋求更多的改進; 在這里，我們將使用功能重要性來選擇功能。如您所知，在樹木構建過程中，我們使用雜質測量來選擇節點。選擇具有最低雜質的屬性值作為樹中的節點。我們可以使用類似的標準進行特征選擇。我們可以更加重視雜質較少的功能，這可以使用sklearn庫的feature_importances_函數來完成。讓我們找出每個功能的重要性：

#Once我們培養的模型中，我們的排名將所有功能的功能在拉鏈（feat_labels，clf.feature_importances_）：print(feature)

('id', 0.33346650420175183)

('feat_1', 0.0036186958628801214)

('feat_2', 0.0037243050888530957)

('feat_3', 0.011579217472062748)

('feat_4', 0.010297382675187445)

('feat_5', 0.0010359139416194116)

('feat_6', 0.00038171336038056165)

('feat_7', 0.0024867672489765021)

('feat_8', 0.0096689721610546085)

('feat_9', 0.007906150362995093)

('feat_10', 0.0022342480802130366)

正如您在此處所看到的，每個要素都基于其對最終預測的貢獻而具有不同的重要性。

我們將使用這些重要性分數來排列我們的功能; 在下面的部分中，我們將選擇功能重要性大于0.01的模型訓練功能：#Select features which have higher contribution in the final prediction

sfm = SelectFromModel(clf, threshold=0.01) sfm.fit(Xtrain,ytrain)

在這里，我們將根據所選的特征屬性轉換輸入數據集。在下一個代碼塊中，我們將轉換數據集。然后，我們將檢查新數據集的大小和形狀：#Transform input dataset

Xtrain_1 = sfm.transform(Xtrain) Xtest_1 = sfm.transform(Xtest)

#Let's see the size and shape of new dataset print("Size of Data set before feature selection: %.2f MB"%(Xtrain_1.nbytes/1e6))

shape = np.shape(Xtrain_1)

print("Shape of the dataset ",shape)

Size of Data set before feature selection: 5.60 MB Shape of the dataset (35000, 20)

你看到數據集的形狀了嗎？在功能選擇過程之后，我們只剩下20個功能，這將數據庫的大小從26 MB減少到5.60 MB。這比原始數據集減少了約80％。

在下一個代碼塊中，我們將訓練一個新的隨機森林分類器，它具有與之前相同的超參數，并在測試數據集上進行測試。讓我們看看修改訓練集后得到的準確度：#Model training time

start = time.time() clf.fit(Xtrain_1, ytrain) end = time.time()

print("Execution time for building the Tree is: %f"%(float(end)- float(start)))

#Let's evaluate the model on test data

pre = clf.predict(Xtest_1) count = 0

acc2 = getAccuracy(pre, ytest)

print("Accuracy after feature selection %.2f"%(100*acc2))

Execution time for building the Tree is: 1.711518 Accuracy after feature selection 99.97

你能看到!! 我們使用修改后的數據集獲得了99.97％的準確率，這意味著我們在正確的類中對14,996個實例進行了分類，而之前我們只正確地對14,823個實例進行了分類。

這是我們在功能選擇過程中取得的巨大進步; 我們可以總結下表中的所有結果：評估標準在選擇特征之前選擇功能后功能數量9420

數據集的大小26.32 MB5.60 MB

訓練時間2.91秒1.71秒

準確性98.82％99.97％

上表顯示了特征選擇的實際優點。您可以看到我們顯著減少了要素數量，從而降低了數據集的模型復雜性和維度。尺寸減小后我們的訓練時間縮短，最后，我們克服了過度擬合問題，獲得了比以前更高的精度。

以上就是Python中實現機器學習功能的四種方法介紹的詳細內容，更多請關注php中文網其它相關文章！

本文轉載于：segmentfault，如有侵犯，請聯系a@php.cn刪除

總結

以上是生活随笔為你收集整理的python可以实现哪些功能_Python中实现机器学习功能的四种方法介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。