如何將 Scikit-learn Python 庫用於數據科學項目

Scikit-learn Python 庫最初於 2007 年發布，通常用於解決各種方面的機器學習和數據科學問題。這個多種功能的庫提供了整潔、一致、高效的 API 和全面的在線文檔。

什麼是 Scikit-learn？

Scikit-learn 是一個開源 Python 庫，擁有強大的數據分析和數據挖掘工具。在 BSD 許可下可用，並建立在以下機器學習庫上：

NumPy，一個用於操作多維數組和矩陣的庫。它還具有廣泛的數學函數彙集，可用於執行各種計算。
SciPy，一個由各種庫組成的生態系統，用於完成技術計算任務。
Matplotlib，一個用於繪製各種圖表和圖形的庫。

Scikit-learn 提供了廣泛的內置演算法，可以充分用於數據科學項目。

以下是使用 Scikit-learn 庫的主要方法。

1、分類

分類工具識別與提供的數據相關聯的類別。例如，它們可用於將電子郵件分類為垃圾郵件或非垃圾郵件。

Scikit-learn 中的分類演算法包括：

支持向量機 Support vector machines （SVM）
最鄰近 Nearest neighbors
隨機森林 Random forest

2、回歸

回歸涉及到創建一個模型去試圖理解輸入和輸出數據之間的關係。例如，回歸工具可用於理解股票價格的行為。

回歸演算法包括：

支持向量機 Support vector machines （SVM）
嶺回歸 Ridge regression
Lasso（LCTT 譯註：Lasso 即 least absolute shrinkage and selection operator，又譯為最小絕對值收斂和選擇運算元、套索演算法）

3、聚類

Scikit-learn 聚類工具用於自動將具有相同特徵的數據分組。例如，可以根據客戶數據的地點對客戶數據進行細分。

聚類演算法包括：

K-means
譜聚類 Spectral clustering
Mean-shift

4、降維

降維降低了用於分析的隨機變數的數量。例如，為了提高可視化效率，可能不會考慮外圍數據。

降維演算法包括：

主成分分析 Principal component analysis （PCA）
功能選擇 Feature selection
非負矩陣分解 Non-negative matrix factorization

5、模型選擇

模型選擇演算法提供了用於比較、驗證和選擇要在數據科學項目中使用的最佳參數和模型的工具。

通過參數調整能夠增強精度的模型選擇模塊包括：

網格搜索 Grid search
交叉驗證 Cross-validation
指標 Metrics

6、預處理

Scikit-learn 預處理工具在數據分析期間的特徵提取和規範化中非常重要。例如，您可以使用這些工具轉換輸入數據（如文本）並在分析中應用其特徵。

預處理模塊包括：

預處理
特徵提取

Scikit-learn 庫示例

讓我們用一個簡單的例子來說明如何在數據科學項目中使用 Scikit-learn 庫。

我們將使用鳶尾花花卉數據集，該數據集包含在 Scikit-learn 庫中。鳶尾花數據集包含有關三種花種的 150 個細節，三種花種分別為：

Setosa：標記為 0
Versicolor：標記為 1
Virginica：標記為 2

數據集包括每種花種的以下特徵（以厘米為單位）：

萼片長度
萼片寬度
花瓣長度
花瓣寬度

第 1 步：導入庫

由於鳶尾花花卉數據集包含在 Scikit-learn 數據科學庫中，我們可以將其載入到我們的工作區中，如下所示：

from sklearn import datasets
iris = datasets.load_iris()

這些命令從 sklearn 導入數據集 datasets 模塊，然後使用 datasets 中的 load_iris() 方法將數據包含在工作空間中。

第 2 步：獲取數據集特徵

數據集 datasets 模塊包含幾種方法，使您更容易熟悉處理數據。

在 Scikit-learn 中，數據集指的是類似字典的對象，其中包含有關數據的所有詳細信息。使用 .data 鍵存儲數據，該數據列是一個數組列表。

例如，我們可以利用 iris.data 輸出有關鳶尾花花卉數據集的信息。

print(iris.data)

這是輸出（結果已被截斷）：

[[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]

我們還使用 iris.target 向我們提供有關花朵不同標籤的信息。

print(iris.target)

這是輸出：

[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]

如果我們使用 iris.target_names，我們將輸出數據集中找到的標籤名稱的數組。

print(iris.target_names)

以下是運行 Python 代碼後的結果：

[&apos;setosa&apos; &apos;versicolor&apos; &apos;virginica&apos;]

第 3 步：可視化數據集

我們可以使用箱形圖來生成鳶尾花數據集的視覺描繪。箱形圖說明了數據如何通過四分位數在平面上分布的。

以下是如何實現這一目標：

import seaborn as sns
box_data = iris.data  # 表示數據數組的變數
box_target = iris.target  # 表示標籤數組的變數
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={&apos;figure.figsize&apos;:(2,15)})

讓我們看看結果：

在橫軸上：

0 是萼片長度
1 是萼片寬度
2 是花瓣長度
3 是花瓣寬度

垂直軸的尺寸以厘米為單位。

總結

以下是這個簡單的 Scikit-learn 數據科學教程的完整代碼。

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  # 表示數據數組的變數
box_target = iris.target  # 表示標籤數組的變數
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={&apos;figure.figsize&apos;:(2,15)})

Scikit-learn 是一個多功能的 Python 庫，可用於高效完成數據科學項目。

如果您想了解更多信息，請查看 LiveEdu 上的教程，例如 Andrey Bulezyuk 關於使用 Scikit-learn 庫創建機器學習應用程序的視頻。

有什麼評價或者疑問嗎？歡迎在下面分享。

via: https://opensource.com/article/18/9/how-use-scikit-learn-data-science-projects

作者：Dr.Michael J.Garbade 選題：lujun9972 譯者：Flowsnow 校對：wxy

本文由 LCTT 原創編譯，Linux中國榮譽推出

本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive