机器学习很难，sklearn很简单

好吧，我标题党了，sklearn的简单也是相对于机器学习原理本身，要学好也不容易！

人工智能、机器学习，一听就是高大上的东西，想学会肯定很难。这是当然的，要理解机器学习中的各种算法模型，还是需要较强的数学功底的，这无形中提高了机器学习的门槛。但是只是要用它，却并不困难，scikit-learn的出现给程序员带来了福音，极大的降低了机器学习使用的门槛，即使你不求甚解，也能纯熟的使用各种机器学习的算法来完成自己的目标。

1 sklearn介绍

Scikit learn 也简称 sklearn, 是机器学习领域当中最知名的 python 模块之一.
Sklearn 包含了很多种机器学习的方式:

• Classification 分类
• Regression 回归
• Clustering 非监督分类
• Dimensionality reduction 数据降维
• Model Selection 模型选择
• Preprocessing 数据预处理

我们总能够从这些方法中挑选出一个适合于自己问题的, 然后用来解决自己的问题.

scikit-learn官网：
https://scikit-learn.org/

2 一个栗子

我们还是用一个例子来直观感受一下sklearn的用法。

问题：一个分类问题，把下图所展示的红蓝点分开

怎么做呢，几行代码搞定：

from sklearn.linear_model import LogisticRegression   
#初始化模型 
clf_LR = LogisticRegression()     
#训练数据 
clf_LR.fit(features_train,label_train)    
#预测 
label pred_LR = clf_LR.predict(features_test)    
#评估模型 
acc = accuracy_score(pred_LR, label_test)     
得到结果：
0.93200000000000005

我们将结果绘制出来是这样的：

plot_pic(clf_LR, features_test, label_test)

就这么简单的实现了机器学习中逻辑回归分类算法。

3 安装使用

执行安装

pip install scikit-learn

导入模块
需要使用什么算法就import什么模块，如果不知道那个算法对应那个库，这就只能自己记住一些常用的，如果是不常用的，在需要的时候查阅官方文档就行了。

比如上面例子中，我们要用逻辑回归算法，那么就是，从sklearn的linear_model模块中导入LogisticRegression算法子模块。

from sklearn.linear_model import LogisticRegression

4 常用的模块和函数

scikit-learn有哪些模块呢，直接看图吧。

说明：
由图中，可以看到算法有四类，分类，回归，聚类，降维。
也就是我在上一篇文章中提到的四个类别。很多模型实际都覆盖了不同的应用类别。

• 分类和回归是监督式学习，即每个数据对应一个 label。
• 聚类 是非监督式学习，即没有 label。
• 降维，相对比较特殊，是当数据集有很多很多属性的时候，可以通过 降维 算法把属性归纳起来。

常用的算法和模块对应关系
注：以下都是监督学习，无监督学习我们基本用不上，就不列举了

**注:**每个分类都可能对应了不只一个模型，这里只列举了最基本的那个模型，其他可能还有很多变种或扩展。

4、主要流程

下面从机器学习的流程我们来一步步看sklearn提供了什么的功能支持。

获取数据 -> 数据预处理 -> 训练和测试建模 -> 评估模型 -> 保存模型

第一步：获取数据

要进行数据分析，首先得有数据。sklearn提供了我们两种方法：

• 直接导入sklearn小数据集做测试用。
• 用sklearn提供的接口自己创建数据集。

1.导入sklearn自带数据集

使用方式：

from sklearn import datasets
iris = datasets.load_iris() # 导入数据集
X = iris.data # 获得其特征向量
y = iris.target # 获得样本label

2.创建数据集
使用方式：

from sklearn.datasets.samples_generator import make_classificationX, y = make_classification(n_samples=6, n_features=5, n_informative=2, n_redundant=2, n_classes=2, n_clusters_per_class=2, scale=1.0, random_state=20)#n_samples：指定样本数,n_features：指定特征数,
#n_classes：指定几分类,random_state：随机种子，使得随机状可重

更多内容参看官网文档
https://scikit-learn.org/stable/datasets/

说明：

在金融数据分析中，我们都是采用股票/期货等金融数据，有专门的数据获取渠道，上面这些通过sklearn获取数据的方式了解一下就行了。

第二步：数据预处理

数据预处理阶段是很重要的一环，只有预处理后的数据才能被模型或评估器所接受。数据的预处理主要包含这几个方面的工作：

• 特征提取
• 特征归一化
• 特征标准化
• 分割数据集

需要导入的模块

from sklearn import preprocessing

1.特征提取
我们获取的数据中很多数据往往有很多维度，但并不是所有的维度都是有用的，有意义的，所以我们要将对结果影响较小的维度舍去，保留对结果影响较大的维度。PCA（主成分分析）与LDA（线性评价分析）是特征提取的两种经典算法。

LDA用法举例

import sklearn.discriminant_analysis as sk_discriminant_analysis
lda = sk_discriminant_analysis.LinearDiscriminantAnalysis(n_components=2)
lda.fit(iris_X,iris_y)
reduced_X = lda.transform(iris_X) #reduced_X为降维后的数据
print('LDA:')
print ('LDA的数据中心点:',lda.means_) #中心点
print ('LDA做分类时的正确率:',lda.score(X_test, y_test)) #score是指分类的正确率
print ('LDA降维后特征空间的类中心:',lda.scalings_) #降维后特征空间的类中心

2.特征归一化
为了使得训练数据的标准化规则与测试数据的标准化规则同步，preprocessing中提供了很多Scaler：

data = [[0, 0], [0, 0], [1, 1], [1, 1]]
基于mean和std的标准化

scaler = preprocessing.StandardScaler().fit(train_data)
scaler.transform(train_data)
scaler.transform(test_data)

将每个特征值归一化到一个固定范围

scaler = preprocessing.MinMaxScaler(feature_range=(0, 1)).fit(train_data)
scaler.transform(train_data)
scaler.transform(test_data)
#feature_range: 定义归一化范围，注用（）括起来

3.特征标准化
当你想要计算两个样本的相似度时必不可少的一个操作，就是正则化。其思想是：首先求出样本的p-范数，然后该样本的所有元素都要除以该范数，这样最终使得每个样本的范数都为1。

>>> X = [[ 1., -1.,  2.],
...      [ 2.,  0.,  0.],
...      [ 0.,  1., -1.]]
>>> X_normalized = preprocessing.normalize(X, norm='l2')>>> X_normalized                                      
array([[ 0.40..., -0.40...,  0.81...],[ 1.  ...,  0.  ...,  0.  ...],[ 0.  ...,  0.70..., -0.70...]])

4.分割数据集
在得到训练数据集时，通常我们经常会把训练数据集进一步拆分成训练集和验证集，这样有助于我们模型参数的选取。
作用：将数据集划分为 训练集和测试集
格式：train_test_split(*arrays, **options)

from sklearn.mode_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

第三步：训练和测试模型

定义模型
在这一步我们首先要分析自己数据的类型，搞清出你要用什么模型来做，然后我们就可以在sklearn中定义模型了。使用上几乎都是同一种模式，只是参数不同。

拟合模型
model.fit(X_train, y_train)

预测模型
model.predict(X_test)

前面例子中已经包含了，这儿再抄一遍。以逻辑回归为例子，如果是其他模型，直接替换相应的名称就可以了

#导入模型
from sklearn.linear_model import LogisticRegression    #从sklearn中引入逻辑回归算法；必背；#定义了逻辑回归的分类器
clf_LR = LogisticRegression()     #训练和学习
clf_LR.fit(features_train,label_train)     #预测测试集
pred_LR = clf_LR.predict(features_test)    #拿预测的测试集的label去跟真实的测试集的label去比较、打分
acc = accuracy_score(pred_LR, label_test)     得到结果：
0.93200000000000005

第四步：评估模型

model.predict(x_test) 返回测试样本的预测标签
model.score(predict,label_test) 根据预测值和真实值计算平分

为模型进行打分

model.score(data_X, data_y)  

score()对不同类型模型评价标准是不一样的。

• 回归模型：使用“决定系数”评分（coefficient of Determination）
• 分类模型：使用“准确率”评分（accuracy）

第五步：保存模型

最后，我们可以将我们训练好的model保存到本地，或者放到线上供用户使用，那么如何保存训练好的model呢？主要有下面两种方式：
1.读取pickle文件

import pickle#保存模型
with open('model.pickle', 'wb') as f:pickle.dump(model, f)#读取模型
with open('model.pickle', 'rb') as f:model = pickle.load(f)
model.predict(X_test)

2.使用joblib模块

from sklearn.externals import joblib#保存模型
joblib.dump(model, 'model.pickle')#载入模型
model = joblib.load('model.pickle')

至此，用sklearn进行机器学习的方法已经介绍完了，下一篇会进行实战应用：

选择一种模型来对真实的股票数据进行涨跌预测

参考文档

官方例子
https://scikit-learn.org/stable/auto_examples/index.html
中文文档
http://sklearn.apachecn.org/#/