(1)分类问题评估标准：

混淆矩阵：

准确率：

$$
accuracy =\frac{(TP + TN)}{ (TP+ FP + TN + FN)}
$$

精确率：

预测结果为正例样本中真实为正例的比例：

$$
precision=\frac{TP}{TP+FP}
$$

召回率：

真实为正例的样本中预测结果为正例的比例：

$$
recall=\frac{TP}{TP+FN}
$$

F1 Score

$$
F1 Score =\frac{P*R*2}{(P+R)}，其中P和R分别为 precision 和 recall
$$

(2)模型的选择与调优：

交叉验证：

为了使模型评估更加准确

主要是对数据的处理：对训练集中的数据继续分为训练集和验证集

将训练集平均分为K组，称之为K折交叉验证

网格搜索：

调参数 KNN（比如K值 称为超参数）每组超参数都是采用交叉验证来进行评估

这里的K值可以进行3,5,10的选择，每组K值都有cv个结果，对所有结果取平均，选择最好的结果作为最优的参数

# 进行网格搜索优化调参
knn=KNeighborsClassifier()
param={"n-neighbors":[3,5,10]}
gc=GridSearchCV(knn,param_grid=param，cv=2) # cv是几折交叉验证
gc.fit(x_train,y_train)
print("在测试集上的准确率：",gc.score(x_test,x_test))
print("在交叉验证中最好的结果：",gc.best_score_)
print("选择最好的模型是：",gc.best_estimator_)
print("每个超参数每次交叉验证的结果是：",gc.cv_results_)

①KNN

算法概要：

k-近邻算法：通过与需判断对象的相近的k个样本所属类别进行判断。

主要是通过距离来判断是否相近：

KNN所用的距离为欧式距离：

样本1（a1,a2,a3）样本2（b1,b2,b3）

两者之间的欧式距离为：

$$
\sqrt[2]{(b1-a1)^2+(b2-a2)^2+(b3-a3)^2}
$$

为了防止某个特征对结果产生较大的影响，需要对特征先进行一个标准化处理

预测入住地址案例：

主要是对数据进行预处理比较多

特征值：xy坐标、定位准确性、时间

目标值：入住位置的id

def knncls():
    data=pd.read_csv("D:/study/postgraduate/data/facebook-v-predicting-check-ins/train.csv")
    # print(data.head(10))
    # print("over")
    # 数据处理
    # 缩小数据
    data=data.query("x>1.0 & x<1.25 & y>2.5 & y<2.75")
    # 将时间戳转成时分秒格式
    time_value=pd.to_datetime(data['time'],unit='s')
    # 将时间转成字典格式
    time_value=pd.DatetimeIndex(time_value)
    data['day']=time_value.day
    data['hour']=time_value.hour
    # data['weekday']=time_value.weekday
    data=data.drop(['time'],axis=1)
    print(data)
    # 将签到数量少于n个目标位置删除
    place_count=data.groupby('place_id').count()
    # tf保存的是place_id数量超过3的数据
    tf=place_count[place_count.row_id>3].reset_index()
    data=data[data['place_id'].isin(tf.place_id)]
    # 取出数据中的特征值x(删除目标值)和目标值y
    y =data['place_id']
    x=data.drop(['place_id'],axis=1)
    x=data.drop(['row_id'],axis=1)
    # 进行数据的分割训练集测试集
    x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)

    # 特征工程:对测试集和训练集的特征值进行标准化
    std=StandardScaler()
    x_train=std.fit_transform(x_train)
    x_test=std.transform(x_test)
    # 进行算法流程
    knn=KNeighborsClassifier(n_neighbors=5)
    knn.fit(x_train,y_train)
    # 得出预测结果
    y_predict=knn.predict(x_test)
    print("预测的目标签到位置为：",y_predict)
    # 得出准确率
    print("准确率：",knn.score(x_test,y_test))

KNN总结：

KNN主要是受K值影响较大

• k值取很小：容易受异常点影响

• k值取很大：容易受k值数量（类别）波动

性能：

• 时间复杂度比较高（每个训练样本都需要计算距离）

KNN的可用性不高，主要是性能不太好

②朴素贝叶斯

算法概要：

一些概率知识：

• 联合概率：包含多个条件，且所有条件同时成立的概率P(A,B)=P(A)*P(B)

• 条件概率：在A条件下B发生的概率P（B|A）

朴素贝叶斯：最好特征独立（朴素：独立）

e.g:判断一个文档所属类别实际上就是求概率：

P(科技|文档)的值、P(娱乐|文档)的值，哪个值大就属于哪个类别

文档实际上就是一个一个词：词1、词2、词3

P(科技|文档)=P(科技|词1，词2，词3) 实际上这些词就是特征1，特征2，特征3

朴素贝叶斯公式：

$$
P(C|W)=\frac{P(W|C)P(C)}{P(W)}
$$

公式可以理解为：

$$
P(C|F1,F2,F3....)=\frac{P(F1,F2,F3...|C)P(C)}{P(F1,F2,F3....)}
$$

$$
P(F1,F2,F3...|C)=P(F1|C)P(F2|C)P(F3|C)....
$$

为了防止计算所属类别的概率为0，引入拉普拉斯平滑系数进行概率的计算

$$
P(F1|C)=\frac{Ni+\alpha}{N+\alpha*m}
$$

$$
\alpha一般为1，m为特征词的数量
$$

利用算法进行文本分类：

def naviebayes():
    news=fetch_20newsgroups(subset='all')
    x_train,x_test,y_train,y_test=train_test_split(news.data,news.target,test_size=0.25)
    tf=TfidfVectorizer()
    x_train=tf.fit_transform(x_train)
    print(tf.get_feature_names())
    x_test=tf.transform(x_test)
    mlt=MultinomialNB(alpha=1.0)
    print(x_train)
    mlt.fit(x_train,y_train)
    y_predict=mlt.predict(x_test)
    print("预测的文章类别为：",y_predict)
    print("准确率：",mlt.score(x_test,y_test))

算法总结：

• 无法进行调优：里面没有参数可以进行优化

• 算法准确度与数据集关系较大，训练集不准确效果会不好

• 分类比较准确，对缺失数据不敏感

• 特征之间需要独立

③决策树

算法概要：

主要是一种选择if-then结构（树结构）

划分决策树依据：

• 信息增益：

决策树划分的依据之一，当得知一个特征条件之后，减少的信息上的大小（就是选取特征之后，可以减少选择信息的数量）

选择信息增益最大的特征作为最优特征（树的根）

• 基尼系数

sklearn中默认用这个划分

利用决策树预测titan的人员生存情况：

def decision():
    titan=pd.read_csv("D:/study/postgraduate/data/tataini/train.csv")
    # 处理数据 找出目标值和特征值

    x=titan[['Pclass','Age','Sex']]
    y=titan['Survived']
    print(x)
    x['Age'].fillna(x['Age'].mean(),inplace=True)
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
    # 进行特征处理（输入的数据是String类型，将其转化为one-hot编码）
    dict=DictVectorizer(sparse=False)
    x_train=dict.fit_transform(x_train.to_dict(orient='records'))  # to_dict()表示将数据中的一行转成一个字典
    # print(dict.get_feature_names_out())
    x_test=dict.transform(x_test.to_dict(orient='records'))
    # print(x_train)
    dec = DecisionTreeClassifier()
    dec.fit(x_train,y_train)
    print("准确率为：",dec.score(x_test,y_test))

决策树总结：

优点：

• 比较简单易于理解，直接是树型结构

• 需要比较少的数据准备，其他算法通常需要对数据进行归一化处理

缺点：

• 数据最好不能太复杂，否则决策树会过大

改进：

• 剪枝cart算法（对叶子结点进行剪枝，当叶子结点的样本少于某个阈值时就将该叶子结点减掉）

• 随机森林

④随机森林

算法概要：

集成学习方法：生成多个分类器/模型，各自独立学习和作出预测，这些预测结合成最终的结果形成单个预测

随机森林就是多个决策树形成的分类器，输出的类别是由个别树输出的类别的众数而定

随机森林建立多个决策树的过程：（N个样本 M个特征）

• 单个树建立过程：（随机有放回的抽样）

  • 随机从N个样本中选择一个样本，重复N次

  • 随机从M个特征中选出m个特征

• 生成多个树形成森林

超参数：

• 生成的单个树的数目

• 树的深度（选择的特征数量）

算法代码及调优

# 利用随机森林进行预测
rf = RandomForestClassifier()
param={"n_estimators":[120,200,300,500,800,1200],"max_depth":[5,8,15,25,30]}
gc=GridSearchCV(rf,param_grid=param,cv=2)
gc.fit(x_train,y_train)
print("准确率:",gc.score(x_test,y_test))
print("查看选择的参数模型：",gc.best_params_)

总结：

优点：

• 比较好的准确率

• 能够有效的运行在大数据上

• 能够处理高维特征的输入样本，而且不需要降维

• 能够评估各个特征在分类问题上的重要性