Kaggle新手入门之路(完结) |
您所在的位置：网站首页 › kaggle提交别人的结果 › Kaggle新手入门之路(完结) |
|
学完了Coursera上Andrew Ng的Machine Learning后,迫不及待地想去参加一场Kaggle的比赛,却发现从理论到实践的转变实在是太困难了,在此记录学习过程. 一:安装Anaconda 教程大多推荐使用Jupyter Notebook来进行数据科学的相关编程,我们通过Anaconda来安装Jupyter Notebook和需要用到的一些python库,按照以下方法重新安装了Anaconda,平台Win10 Anaconda安装 二:Jupyter Notebook参照以下两篇文章配置好了Jupyter Notebook,学习了相关的基本操作 Jupyter可以做哪些事情 Jupyter Notebook常用快捷键 启动:在cmd或Anaconda Prompt下输入jupyter notebook 新建:Files页面右侧'New' 运行当前cell:Ctrl+Enter 代码补全:Tab 查看方法文档:Shift+Tab 复选cell:Shift+上下键 删除cell:双击D 撤销删除:Z 保存当前Notebook:S 关闭文档:Home页面选中文档后'Shutdown' 关闭服务器:终端中按两次Ctrl+C 显示matplotlib图表:%matplotlib inline 中断运行:I 三:Numpynumpy中文教程 官方文档 Numpy是一个用于进行数组运算的库 Numpy中最重要的对象是称为ndarray的N维数组类型 一般使用如下语句导入:import numpy as np 创建数组:numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0) 可以用np.dtype()定义结构体 数组维度:ndarray.shape 数组维数:ndarray.ndim 调整数组维度:ndarray.reshape(shape) 创建未初始化数组:numpy.empty(shape, dtype = float, order = 'C') 创建零数组:numpy.zeros(shape, dtype = float, order = 'C') 创建一数组:numpy.ones(shape, dtype = float, order = 'C') 用现有数据创建数组:numpy.asarray(a, dtype = None, order = None) 按数值范围创建数组:numpy.arange(start = 0, stop, step = 1, dtype),类似的有linspace()和logspace() 切片:b=a[start:stop:step],可以用...代表剩余维度 整数索引:每个整数数组表示该维度的下标值,b=a[[r1, r2], [c1, c2]] 布尔索引:返回是布尔运算的结果的对象,可以用&或|连接()分隔的条件 在 NumPy 中可以对形状不相似的数组进行操作,因为它拥有广播功能,我的理解是,广播是一种维度的单方向拉伸 数组迭代:numpy.nditer(ndarray)或ndarray.flat 数组长度:len(arr) 访问第i个元素:一维数组用a[i],多维数组用a.flat[i] 数组转置:ndarray.T 数组分割:numpy.split(ary, indices_or_sections, axis),第二项的值为整数则表明要创建的等大小的子数组的数量,是一维数组则表明要创建新子数组的点。 追加值:numpy.append(arr, values, axis) 插入值:numpy.insert(arr, idx, values, axis) 删除值:numpy.delete(arr, values, axis) 去重数组:numpy.unique(arr, return_index, return_inverse, return_counts) 字符串函数:numpy.char类 三角函数:numpy.sin(arr),numpy.cos(arr),numpy.tan(arr) 四舍五入:numpy.around(arr,decimals) 向下取整:numpy.floor(arr) 向上取整:numpy.ceil(arr) 取倒数:numpy.reciprocal(arr),注意对于大于1的整数返回值为0 幂运算:numpy.power(arr,pow),pow可以是一个数,也可以是和arr对应的数组 取余:numpy.mod(a,b),b可以是一个数,也可以是和a对应是数组 最小值:numpy.amin(arr,axis) 最大值:numpy.amax(arr,axis) 数值跨度:numpy.ptp(arr,axis) 算术平均值:numpy.mean(arr,axis) 标准差:numpy.std(arr) 方差:numpy.var(arr) 副本的改变会影响原数组(赋值),视图的改变不会影响原数组(ndarray.view(),切片,ndarray.copy()) 线性代数:numpy.linalg模块 四:Matplotlib官方教程 官方教程中文翻译 matplotlib入门教程 Jupyter Notebook Viewer的matplotlib lecture 建议先看官方教程,通过折线图熟悉基本操作,然后看入门教程第三章到第六章掌握各种图的画法 一般使用如下语句导入:import matplotlib.pyplot as plt 绘图:plt.plot(x,y),可选color,marker,label等参数,默认的x坐标为从0开始且与y长度相同的数组,x坐标与y坐标一般使用numpy数组,也可以用列表 设置线条:plt.setp() 轴名称:plt.xlable('str'),plt.ylable('str) 添加文本:plt.txt(xpos,ypos,'str') 添加格子:plt.grid(True) 展示图片:plt.show() 图题:plt.title('str') 图示:plt.legend(),结合plot()中的label参数使用 获取子图:plt.sublot(nrows,ncols,index)或plt.subplot2grid((nrows,ncols),(rows,cols)),可选colspan和rowspan属性 创建画布:plt.figure() 数学表达式:TeX表达式 非线性轴:plt.xscale('scale'),plt.yscale('scale'),可选参数log,symlog,logit等 填充颜色:plt.fill(x,y)和plt.fill_between(x,y,where=...) 条形图:plt.bar(x,y),注意多个条形图的默认颜色相同,应选择不同的颜色方便区分 直方图:plt.hist(x,bins),直方图是一种显示区段内数据数量的图像,x为数据,bins为数据区段,可选histtype,rwidth等属性 散点图:plt.scatter(x,y),散点图通常用于寻找相关性或分组,可选color,marker,label等属性 堆叠图:plt.stackplot(x,y1,y2,y3...),堆叠图用于显示部分对整体随时间的关系,通过利用plt.plot([],[],color,label)添加与堆叠图中颜色相同的空行,可以使堆叠图的意义更加清晰,可选colors等属性 饼图:plt.pie(slice),饼图用于显示部分对整体的关系,可选labels,colors,explode,autupct等属性 五:Pandas 10 Minutes to Pandas 十分钟搞定pandas(上文翻译版) 利用python进行数据分析 上面两个教程用于速成,下面这本书是pandas的作者写的,用于仔细了解 一般使用如下语句导入:import pandas as pd Pandas是基于NumPy 的一种工具,提供了一套名为DataFrame的数据结构,比较契合统计分析中的表结构,可用Numpy或其它方式进行计算 创建Series:pd.Series=(data,index),Series是一维数组 创建DataFrame:pd.DataFrame(data,index,colums),也可以传递一个字典结构来填充data和colums,DataFrame类似于二维表格,简称df 查看df头尾行:df.head(i),df.tail(i),如不填参数则分别返回除了前五行/倒数前五行的内容 查看索引/列/数据:df.index,df.colums,df.values 快速统计汇总:df.descrbe() 数据转置:df.T 按轴排序:df.sort_index(axis=0,ascending=True) 按值排序:df.sort_values(colums,axis=0,ascending=Ture) 获取:df['columnname']或df.columnname,会返回某列 通过条件选取某列:df = df[df('columns') == 'a'] 对行切片:df[start:stop:step],利用df[n:n+1]即可获取某行 通过标签选择某行:df.loc[index,columname] 通过位置选择某行:df.iloc[indexpos,columnpos],df.iloc[i,:]可获取一行,df.iloc[:,i]可获取一列 布尔索引:df[bool],可以对单独的列进行判定,也可以对整个DataFrame进行判定 在pandas中使用np.nan代替缺失值,这些值不会被包含在计算中 对index和columns进行增删改:df.reindex(index,columns) 去掉含有缺失值的行:df.dropna(how='any'),可以选择how='all'只去掉所有值均缺失的行 补充缺失值:df.fillna(value) 数据应用:df.apply(func),可以是现有函数也可以是lambda函数 连接:pd.contact(obj),obj可以是Series,DataFrame,Panel 合并:pd.merge(left,right) 追加:df.append(data) 分组:df.groupby(columnname).func(),通常为分组/执行函数/组合结果 时间:pandas有着重采样等丰富的时间操作 写入CSV文件:df.to_csv(filename) 读取CSV文件:df.read_csv(filename),结果为DataFrame 六:Scikit-learn python机器学习实践与kaggle实战 Sklearn快速入门 官方文档 官方文档中文翻译 sklearn 把所有机器学习的模式整合统一起来了,学会了一个模式就可以通吃其他不同类型的学习模式 步骤一般分为导入模块-创建数据-建立模型-训练-预测 特征工程: 在机器学习中,很重要的一步是对特征的处理,我们参考下文,先给出一些常用的特征处理方法在sklearn中的用法 使用sklearn做单机特征工程 标准化(需要使用距离来度量相似性或用PCA降维时): from sklearn.preprocessing import StandardScaler data_train = StandardScaler().fit_transform(data_train) data_test = StandardScaler().fit_transform(data_test) 区间缩放: from sklearn.preprocessing import MinMaxScaler data = MinMaxScaler().fit_transform(data) 归一化(利于计算梯度下降,消除量纲): from sklearn.preprocessing import Normalizer data = Normalizer().fit_transform(data) 定量特征二值化(大于epsilon为1,小于等于epsilon为0): from sklearn.preprocessing import Binarizer data = Binarizer(threshold = epsilon).fit_transform(data) 类别型特征转换为数值型特征: 实际上就是保留数值型特征,并将不同的类别转换为哑变量(独热编码),可参考:python中DictVectorizer的使用 from sklearn.feature_extraction import DictVectorizer vec = DictVectorizer(sparse = False) X_train = vec.fit_transform(X_train.to_dict(orient = 'recoed')) 卡方检验: from sklearn.feature_selection import SelectKBest from sklearn.feature_selection import chi2 #选择K个最好的特征，返回选择特征后的数据 skb = SelectKBest(chi2, k = 10).fit(X_train, y_train) X_train = skb.transform(X_train) X_test = skb.transform(X_test)互信息法: from sklearn.feature_selection import SelectKBest from minepy import MINE #由于MINE的设计不是函数式的，定义mic方法将其为函数式的，返回一个二元组，二元组的第2项设置成固定的P值0.5 def mic(x, y): m = MINE() m.compute_score(x, y) return (m.mic(), 0.5) #选择K个最好的特征，返回特征选择后的数据 SelectKBest(lambda X, Y: array(map(lambda x:mic(x, Y), X.T)).T, k=2).fit_transform(iris.data, iris.target) 主成分分析(PCA): from sklearn.decomposition import PCA estimator = PCA(n_components=2)#几个主成分 X_pca = estimator.fit_transform(X_data)
学习算法: 划分训练集和测试集: from sklearn.cross_validation import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 33)训练: from sklearn import LearnAlgorithm#导入对应的学习算法包 la = LearnAlgorithm() la.fit(X_train, y_train) y_predict = la.predict(x_test)随机梯度下降法(SGD): from sklearn.linear_model import SGDClassifier sgd = SGDClassifier() from sklearn.linear_model import SGDRegressor sgd = SGDRegressor(loss='squared_loss', penalty=None, random_state=42)支持向量机(SVM): 支持向量分类(SVC): from sklearn.svm import SVC svc_linear = SVC(kernel='linear')#线性核,可以选用不同的核支持向量回归(SVR): from sklearn.svm import SVR svr_linear = SVR(kernel='linear')#线性核,可以选用不同的核如poly,rbf朴素贝叶斯(NaiveBayes): from sklearn.naive_bayes import MultinomialNB mnb = MultinomialNB()决策树(DecisionTreeClassifier): from sklearn.tree import DecisionTreeClassifier dtc = DecisionTreeClassifier(criterion='entropy', max_depth=3, min_samples_leaf=5)#最大深度和最小样本数,用于防止过拟合随机森林(RandomForestClassifier): from sklearn.ensemble import RandomForestClassifier rfc = RandomForestClassifier(max_depth=3, min_samples_leaf=5)梯度提升树(GBDT): from sklearn.ensemble import GradientBoostingClassifier gbc = GradientBoostingClassifier(max_depth=3, min_samples_leaf=5)极限回归森林(ExtraTreesRegressor): from sklearn.ensemble import ExtraTreesRegressor() etr = ExtraTreesRegressor()评估: from sklearn import metrics accuracy_rate = metrics.accuracy_score(y_test, y_predict) metrics.classification_report(y_test, y_predict, target_names = data.target_names)#可以获取准确率,召回率等数据K折交叉检验: from sklearn.cross_validation import cross_val_score,KFold cv = KFold(len(y), K, shuffle=True, random_state = 0) scores = cross_val_score(clf, X, y, cv = cv)或 from sklearn.cross_validation import cross_val_score scores = cross_val_score(dt, X_train, y_train, cv = K)注意这里的X,y需要为ndarray类型,如果是DataFrame则需要用df.values和df.values.flatten()转化 Pipeline机制: pipeline机制实现了对全部步骤的流式化封装和管理,应用于参数集在数据集上的重复使用.Pipeline对象接受二元tuple构成的list,第一个元素为自定义名称,第二个元素为sklearn中的transformer或estimator,即处理特征和用于学习的方法.以朴素贝叶斯为例,根据处理特征的不同方法有以下代码: clf_1 = Pipeline([('count_vec', CountVectorizer()), ('mnb', MultinomialNB())]) clf_2 = Pipeline([('hash_vec', HashingVectorizer(non_negative=True)), ('mnb', MultinomialNB())]) clf_3 = Pipeline([('tfidf_vec', TfidfVectorizer()), ('mnb', MultinomialNB())])特征选择: from sklearn import feature_selection fs = feature_selection.SelectPercentile(feature_selection.chi2, percentile=per) X_train_fs = fs.fit_transform(X_train, y_train)我们以特征选择和5折交叉检验为例,实现一个完整的参数选择过程: from sklearn import feature_selection from sklearn.cross_validation import cross_val_score percentiles = range(1,100) results= [] for i in percentiles: fs = feature_selection.SelectPercentile(feature_selection.chi2, percentile=i) X_train_fs = fs.fit_transform(X_train, y_train) scores = cross_val_score(dt, X_train_fs, y_train, cv = 5) results = np.append(results, scores.mean()) opt = np.where(results == results.max())[0] fs = feature_selection.SelectPercentile(feature_selection.chi2, percentile=opt) X_train_fs = fs.fit_transform(X_train, y_train) dt.fit(X_train_fs, y_train) y_predict = dt.predict(x_test)超参数: 超参数指机器学习模型里的框架参数,在竞赛和工程中都非常重要 集成学习(Ensemble Learning): 通过对多个模型融合以提升整体性能,如随机森林,XGBoost,参考下文: Ensemble Learning-模型融合-Python实现 多线程网格搜索: 用于寻找最优参数,可参考下文: Sklearn-GridSearchCV网格搜索 from sklearn.cross_validation import train_test_split from sklearn.grid_search import GridSearchCV X_train, X_test, y_train, y_test = train_test_split(news.data[:3000], news.target[:3000], test_size=0.25, random_state=33) from sklearn.svm import SVC from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.pipeline import Pipeline clf = Pipeline([('vect', TfidfVectorizer(stop_words='english', analyzer='word')), ('svc', SVC())]) parameters = {'svc__gamma': np.logspace(-2, 1, 4), 'svc__C': np.logspace(-1, 1, 3)} gs = GridSearchCV(clf, parameters, verbose=2, refit=True, cv=3, n_jobs=-1) %time _=gs.fit(X_train, y_train) gs.best_params_, gs.best_score_ print gs.score(X_test, y_test)七:Kaggle 学习完以上内容后,可以参考下文,已经可以完成一些较为简单的kaggle contest了 机器学习系列(3)_逻辑回归应用之Kaggle泰坦尼克之灾
|
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |