用Python进行机器学习小案例
本文是用Python编程语言来进行机器学习小实验的第一篇。主要内容如下:
读入数据并清洗数据
探索理解输入数据的特点
分析如何为学习算法呈现数据
选择正确的模型和学习算法
评估程序表现的准确性
读入数据 Reading the data
当读入数据时,你将面临处理无效或丢失数据的问题,好的处理方式相比于精确的科学来说,更像是一种艺术。因为这部分处理适当可以适用于更多的机器学习算法并因此提高成功的概率。
用NumPy有效地咀嚼数据,用SciPy智能地吸收数据
Python是一个高度优化的解释性语言,在处理数值繁重的算法方面要比C等语言慢很多,那为什么依然有很多科学家和公司在计算密集的领域将赌注下在Python上呢?因为Python可以很容易地将数值计算任务分配给C或Fortran这些底层扩展。其中NumPy和SciPy就是其中代表。NumPy提供了很多有效的数据结构,比如array,而SciPy提供了很多算法来处理这些arrays。无论是矩阵操作、线性代数、最优化问题、聚类,甚至快速傅里叶变换,该工具箱都可以满足需求。
读入数据操作
这里我们以网页点击数据为例,第一维属性是小时,第二维数据是点击个数。
importscipyasspdata= sp.genfromtxt('web_traffic.tsv',delimiter='\t')
预处理和清洗数据
当你准备好了你的数据结构用于存储处理数据后,你可能需要更多的数据来确保预测活动,或者拥有了很多数据,你需要去思考如何更好的进行数据采样。在将原始数据(rawdata)进行训练之前,对数据进行提炼可以起到很好的作用,有时,一个用提炼的数据的简单的算法要比使用原始数据的高级算法的表现效果要好。这个工作流程被称作特征工程(feature engineering)。Creative and intelligent that you are, you will immediately see the results。
由于数据集中可能还有无效数值(nan),我们可以事先看一下无效值的个数:
hours=data[:,0]hits=data[:,1]sp.sum(sp.isnan(hits))
用下面的方法将其过滤掉:
#cleaning the datahours= hours[~sp.isnan(hits)]hits= hits[~sp.isnan(hits)]
为了将数据给出一个直观的认识,用Matplotlib的pyplot包来将数据呈现出来。
importmatplotlib.pyplotaspltplt.scatter(hours,hits)plt.title("Web traffic over the last month")plt.xlabel("Time")plt.ylabel("Hits/hour")plt.xticks([w*7*24for w in range(10)], ['week %i'%w for w in range(10)])plt.autoscale(tight=True)plt.grid()plt.show()
其显示效果如下:
选择合适的学习算法
选择一个好的学习算法并不是从你的工具箱中的三四个算法中挑选这么简单,实际上有更多的算法你可能没有见过。所以这是一个权衡不同的性能和功能需求的深思熟虑的过程,比如执行速度和准确率的权衡,,可扩展性和易用性的平衡。
现在,我们已经对数据有了一个直观的认识,我们接下来要做的是找到一个真实的模型,并且能推断未来的数据走势。
用逼近误差(approximation error)来选择模型
在很多模型中选择一个正确的模型,我们需要用逼近误差来衡量模型预测性能,并用来选择模型。这里,我们用预测值和真实值差值的平方来定义度量误差:
deferror(f, x, y): returnsp.sum((f(x)-y)**2)
其中f表示预测函数。
用简单直线来拟合数据
我们现在假设该数据的隐含模型是一条直线,那么我们还如何去拟合这些数据来使得逼近误差最小呢?SciPy的polyfit()函数可以解决这个问题,给出x和y轴的数据,还有参数order(直线的order是1),该函数给出最小化逼近误差的模型的参数。
fp1, residuals, rank,sv, rcond =sp.polyfit(hours, hits,1, full=True)
fp1是polyfit函数返回模型参数,对于直线来说,它是直线的斜率和截距。
如果polyfit的参数full为True的话,将得到拟合过程中更多有用的信息,这里只有residuals是我们感兴趣的,它正是该拟合直线的逼近误差。
然后将该线在图中画出来:
#fit straightlinemodel fp1, residuals, rank,sv, rcond =sp.polyfit(hours, hits,1, full=True) fStraight =sp.poly1d(fp1) #draw fitting straightlinefx =sp.linspace(0,hours[-1],1000) # generateX-valuesforplotting plt.plot(fx, fStraight(fx), linewidth=4) plt.legend(["d=%i"% fStraight.order],loc="upper left")
用更高阶的曲线来拟合数据
用直线的拟合是不是很好呢?用直线拟合的误差是317,389,767.34,这说明我们的预测结果是好还是坏呢?我们不妨用更高阶的曲线来拟合数据,看是不是能得到更好的效果。
fCurve3p =sp.polyfit(hours, hits,3) fCurve3 =sp.poly1d(fCurve3p)print"Error of Curve3 line:",error(fCurve3,hours,hits) fCurve10p =sp.polyfit(hours, hits,10) fCurve10 =sp.poly1d(fCurve10p)print"Error of Curve10 line:",error(fCurve10,hours,hits) fCurve50p =sp.polyfit(hours, hits,50) fCurve50 =sp.poly1d(fCurve50p)print"Error of Curve50 line:",error(fCurve50,hours,hits)
其逼近误差为:
Error of straight line: 317389767.34
Error of Curve2 line: 179983507.878
Error of Curve3 line: 139350144.032
Error of Curve10 line: 121942326.364
Error of Curve50 line: 109504587.153
这里我们进一步看一下实验结果,看看我们的预测曲线是不是很好的拟合数据了呢?尤其是看一下多项式的阶数从10到50的过程中,模型与数据贴合太紧,这样模型不但是去拟合数据背后的模型,还去拟合了噪声数据,导致曲线震荡剧烈,这种现象叫做过拟合。
小结
从上面的小实验中,我们可以看出,如果是直线拟合的话就太简单了,但多项式的阶数从10到50的拟合又太过了,那么是不是2、3阶的多项式就是最好的答案呢?但我们同时发现,如果我们以它们作为预测的话,那它们又会无限制增长下去。所以,我们最后反省一下,看来我们还是没有真正地理解数据。
衡量性能指标
作为一个ML的初学者,在衡量学习器性能方面会遇到很多问题或错误。如果是拿你的训练数据来进行测试的话,这可能是一个很简单的问题;而当你遇到的不平衡的训练数据时,数据就决定了预测的成功与否。
回看数据
我们再仔细分析一下数据,看一下再week3到week4之间,好像是有一个明显的拐点,所以我们把week3.5之后的数据分离出来,训练一条新的曲线。
inflection=3.5*7*24#the time of week3.5is an inflectiontime1= hours[:inflection]value1= hits[:inflection]time2= hours[inflection:]value2= hits[inflection:]fStraight1p= sp.polyfit(time1,value1,1)fStraight1= sp.poly1d(fStraight1p)fStraight2p= sp.polyfit(time2,value2,1)fStraight2= sp.poly1d(fStraight2p)
显然,这两条直线更好的描述了数据的特征,虽然其逼近误差还是比那些高阶多项式曲线的误差要大,但是这种方式的拟合可以更好的获取数据的发展趋势。相对于高阶多项式曲线的过拟合现象,对于低阶的曲线,由于没有很好的描述数据,而导致欠拟合的情形。所以为了更好的描述数据特征,使用2阶曲线来拟合数据,来避免过拟合和欠拟合现象的发生。
训练与测试
我们训练得到了一个模型,这里就是我们拟合的两个曲线。为了验证我们训练的模型是否准确,我们可以在最初训练时将一部分训练数据拿出来,当做测试数据来使用,而不仅仅通过逼近误差来判别模型好坏。
总结
这一小节作为机器学习小实验的引入,主要传递两点意思:
1、要训练一个学习器,必须理解和提炼数据,将注意力从算法转移到数据上
2、学习如何进行机器学习实验,不要混淆训练和测试数据
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11随着数字化转型的加速,企业积累了海量数据,如何从这些数据中挖掘有价值的信息,成为企业提升竞争力的关键。CDA认证考试体系应 ...
2025-03-10