sklearn：Python语言开发的通用机器学习库

奥德赛F9

　　引言：深入理解机器学习并完全看懂sklearn文档，需要较深厚的理论基础。但是，要将sklearn应用于实际的项目中，只需要对机器学习理论有一个基本的掌握，就可以直接调用其API来完成各种机器学习问题。
　　本文选自《全栈数据之门》，将向你介绍通过三个步骤来解决具体的机器学习问题。

sklearn介绍
　　scikit-learn是Python语言开发的机器学习库，一般简称为sklearn，目前算是通用机器学习算法库中实现得比较完善的库了。其完善之处不仅在于实现的算法多，还包括大量详尽的文档和示例。其文档写得通俗易懂，完全可以当成机器学习的教程来学习。
　　如果要说sklearn文档的重要性，个人觉得，应该可以与佛经中的《金刚经》相比。如果能将其当成《金刚经》一样来阅读，你的机器学习水平一定会有质的提升。
　　一般初阅佛经，肯定会被其中的一些名词弄糊涂，就像初次阅读sklearn的文档一样，会被诸如training data、testing data、model select、cross validation等这样的词汇弄糊涂。但实际上，只要肯用心读，把这些基础概念弄明白，后续学习就比较容易了。sklearn必须要结合机器学习的一些基础理论来理解，就像佛经必须要结合一些佛法基础理论来理解一样。
　　既然是通用的机器学习库，sklearn中包含了大量常用的算法。正如其介绍一样，基本功能主要分为6个部分：分类、回归、聚类、数据降维、模型选择与数据预处理，如下图所示。

　　要深入理解机器学习，并且完全看懂sklearn的文档，需要较深厚的理论基础。但是，要将sklearn应用于实际的项目中，却并不需要特别多的理论知识，只需要对机器学习理论有一个基本的掌握，就可以直接调用其API来完成各种机器学习问题。
　　对于具体的机器学习问题，通常可以分为三个步骤：

• 　　数据准备与预处理
  
• 　　模型选择与训练
  
• 　　模型验证与参数调优
  

　　下面就通过一个具体的示例来介绍这三个步骤。
数据预处理
　　在这个示例中，使用sklearn自带的Iris数据来做演示，而算法使用kNN来进行分类，要了解kNN算法的详细信息，请参考“近朱者赤，相亲kNN”一节。
　　使用load_iris方法，加载Iris数据。Iris是一个非常有名的公共数据集，描述了鸢尾花的三种不同的子类别，共有4个特征，分别为花萼的长度与宽度，花瓣的长度与宽度。可以不用关注具体分哪三类，只需要知道在数据中类标签分别用0、1、2表示即可。
　　加载数据的代码如下：
%pysparkfrom sklearn.datasets import load_irisfrom sklearn.cross_validation import train_test_split# 加载数据iris = load_iris()　　
data_X = iris.data
　　
data_y = iris.target# 数据维度、特征与目标值的前3项print('data:', data_X.shape, data_y.shape)print('features:', data_X[:3, :])print('target:', data_y[:3])# 数据切分train_X, test_X, train_y, test_y = train_test_split(data_X,
　　
data_y, test_size=0.2)# 训练数据与测试数据的维度print('train:', train_X.shape, train_y.shape)print('test: ', test_X.shape, test_y.shape)
　　将数据的特征加载为data_X，将类别标签加载为data_y，一般的命名习惯是，使用大写的X表示特征是多维的，而用小写的y表示目标值为1维。不同的命名习惯，比较符合人类以貌取人的特点，程序员不仅是人，更是聪明的人，因此也有这样的习惯。
　　加载完数据，使用sklearn自带的train_test_split方法将数据按0.8与0.2的比例进行划分，切分为训练数据train与测试数据test，并将特征与目标值分别命名为train_X、train_y与test_X、test_y。
　　其执行结果如下图所示。

建模与预测
　　准备好数据后，就可以从neighbors近邻类中导入kNN分类算法了，其代码如下所示：
%pysparkfrom sklearn.neighbors import KNeighborsClassifier# 构建knn模型knn = KNeighborsClassifier(n_neighbors=3, n_jobs=-1)# 拟合数据knn.fit(train_X, train_y)# 预测preds = knn.predict(test_X)print('knn model:', knn)print('First 3 pred:',preds[:3])　　通过使用两个自定义参数n_neighbors（参考的近邻数）与n_jobs（使用的CPU核数）来导入KNeighborsClassifier模型，这样就生成了一个knn的模型。n_neighbors是knn中最重要的参数，可以通过交叉验证来设置一个合理的值。而n_jobs是sklearn中所有支持并行的算法都会支持的参数，sklearn中有很多算法都可以将单台机器的全部CPU进行并行运算，设置为-1即是使用机器的全部CPU核，也可以设置成具体的数字值。
　　接着使用fit方法在训练数据上进行拟合，kNN是一个有监督的学习算法，因此在拟合数据的时候，需要将已知的类别标签train_y与特征train_X一起输入到模型中进行数据拟合。
　　模型在训练数据上完成了拟合，便可以对测试数据进行预测了，使用predict方法来对测试的特征进行预测。因为是使用特征来预测其类别，此处自然不能传入测试数据的类别标签数据test_y，这个数据是在后面对模型进行评估时使用的。打印knn模型，会输出其用于构建的参数，也可以打印出预测的前三个值，如下图所示。

　　在上面的建模与预测过程中，sklearn的这种简洁API方式已经成为现代机器学习库争相模仿的对象，就连Spark的ML库，也在学习这种简洁的方式，可以说几乎已经成为大众接受的标准方式了。
模型评估
　　评估一个模型的好坏是机器学习中非常重要的任务。否则，无法评价模型的好坏，也就无法更好地优化模型。归根到底，所有的机器学习算法都是一堆数学运算，其预测的值与标准的值是可以进行数学上的对比的。在这一点上，与教育中所用的考试分数来评估一个人的能力不一样，也与公司中所用的KPI来考核一个人对公司的贡献是不一样的。
　　在分类算法中，通常的评价指标有精确率、召回率与F1-Score等几种。
　　前面构建的knn模型，本身也有一个score方法，可以对模型的好坏做一个初步评估，其使用的指标为F1-Score。当然，也可以使用sklearn中提供的更多的评价指标来评估模型。其代码如下所示：
%pysparkfrom pprint import pprint　　

　　
# 使用测试的特征与测试的目标值print(knn.score(test_X, test_y))from sklearn.metrics import precision_recall_fscore_support
　　

　　
# 打印出三个指标scores = precision_recall_fscore_support(test_y, preds)
　　
pprint(scores)
　　对每个类别的数据都进行了精确率、召回率与F-beta Score的评估，其结果如下图所示。

模型持久化
　　辛辛苦苦训练好一个模型后，总希望后面可以直接使用，此时就必须要对模型进行持久化操作了。模型本身就是一个Python的对象，可以使用pickle的方式将模型转储到文件，但sklearn推荐使用其joblib接口，保存与加载模型都非常简单：
import joblib# 保存模型joblib.dump(model, '/tmp/model.pkl')# 加载模型model = joblib.load('/tmp/model.pkl')三个层次
　　前面已经演示了一个完整的使用sklearn来解决实际问题的例子，可以发现，如果只是调用sklearn的API，确实不需要太复杂的理论知识。在学完上面的示例后，你或许都并不清楚kNN算法是如何工作的，但学习是分层次的。
　　也许有的人认为，只会调用API来实现，并不是真正会用机器学习了。确实，不理解kNN算法，就不清楚如何进行算法的参数调优。但个人认为，从sklearn入门机器学习是最好的途径，尽管你以前完全没有接触过机器学习。
　　我所理解的，学习机器学习算法的三个层次如下所述。

• 　　调用：知道算法的基本思想，能应用现有的库来做测试。简单说，就是了解kNN是做什么的，会调用sklearn中的kNN算法。
  
• 　　调参：知道算法的主要影响参数，能进行参数调节优化。
  
• 　　嚼透：理解算法的实现细节，并且能用代码实现出来。
  

　　上面三个层次是不是很押韵呢，但不幸的是，有的人一上来就想达到第三个层次，于是刚开始就被如何实现kNN算法吓到了，过不了三天就从入门到放弃了。
　　作为应用型的机器学习，能达到第三阶段固然好，但在实际应用中，建议能调用现有的库就直接调用好了。不理解的地方，能看懂源码最好。不太建议自己从头实现，除非能力确实够了，否则写出来的代码并不能保证性能与准确性。
　　当然，从另外一个角度来说，尤其是在分布式环境下，机器学习还有另外三个层次，想知道的话，请见《全栈数据之门》一书。
　　本文选自《全栈数据之门》，点此链接可在博文视点官网查看此书。

　　想及时获得更多精彩文章，可在微信中搜索“博文视点”或者扫描下方二维码并关注。