网站怎么注销主体,网站模板设计师要求,福州seo,个体工商户营业执照查询官网目录
一、数据及分析对象
二、目的及分析任务
三、方法及工具
四、数据读入
五、数据理解
六、数据准备
七、模型训练
八、模型评价
九、模型调参
十、模型改进
十一、模型预测 一、数据及分析对象
CSV文件——“bc_data.csv”
数据集链接#xff1a;https://dow…目录
一、数据及分析对象
二、目的及分析任务
三、方法及工具
四、数据读入
五、数据理解
六、数据准备
七、模型训练
八、模型评价
九、模型调参
十、模型改进
十一、模型预测 一、数据及分析对象
CSV文件——“bc_data.csv”
数据集链接https://download.csdn.net/download/m0_70452407/88524905
该数据集主要记录了569个病例的32个属性主要属性/字段如下
1ID病例的ID。
2Diagnosis诊断结果M为恶性B为良性。该数据集共包含357个良性病例和212个恶性病例。
3细胞核的10个特征值包括radius半径、texture纹理、perimeter周长、面积area、平滑度smoothness、紧凑度compactness、凹面concavity、凹点concave points、对称性symmetry和分形维数fractal dimension等。同时为上述10个特征值分别提供了3种统计量分别为均值mean、标准差standard error和最大值worst or largest。
二、目的及分析任务
理解机器学习方法在数据分析中的应用——KNN方法进行分类分析。
1样本为训练集进行有监督学习并预测——“诊断结果diagnosis”。
2以剩余记录为测试集进行KNN建模。
3按KNN模型预测测试集的dignosis类型。
4按KNN模型给出的diagnosis“预测类型”与数据集bc_data.csv自带的“实际类型”进行对比分析验证KNN建模的有效性。
三、方法及工具
Python语言及scikit-learn包
四、数据读入
import pandas as pd
bc_datapd.read_csv(D:\\Download\\JDK\\数据分析理论与实践by朝乐门_机械工业出版社\\第4章 分类分析\\bc_data.csv,header0)
bc_data.head() 五、数据理解
对数据框bc_data进行探索性分析这里采用的实现方法为调用pandas包中数据框DataFrame的describe()方法。
bc_data.describe() 除了describe()方法还可以调用shape属性和pandas_profiling包对数据框进行探索性分析。
bc_data.shape (569, 32) 六、数据准备
在数据框bc_data中对于乳腺癌诊断分析有用的数据为细胞核的10个特征值为了将该数据值提取出来需要在数据框bc_data的基础上删除列名为“id”和“diagnosis”的数据删除后的数据框命名为“data”实现方式为调用数据框的drop()方法并使用该包的head()方法观察数据情况。
databc_data.drop([id],axis1)
X_datadata.drop([diagnosis],axis1)
X_data.head() 接着调用NumPy的ravel()方法对数据框data中命名为“diagnosis”的列信息以视图形式view返回并以一维数组形式输出。
import numpy as np
y_datanp.ravel(data[[diagnosis]])
y_data[0:6] array([M, M, M, M, M, M], dtypeobject) 为了实现基于KNN算法乳腺癌自动诊断的目标先将data数据框信息随机分为训练集和测试集两部分。采用的实现方式为调用scikit-learn包中model_selection模块的train_test_split()方法设定训练集数据容量占总数居的75%剩下的为测试集数据调用pandas包中数据框DataFrame的describe()方法。
from sklearn.model_selection import train_test_split
X_trainingSet,X_testSet,y_trainingSet,y_testSettrain_test_split(X_data,y_data,random_state1,test_size0.25)
X_trainingSet.describe() 除了describe()方法还可以调用shape属性和pandas_profiling包对数据框进行探索性分析。
X_trainingSet.shape (426, 30) 同时对测试集数据框也对其做相同的处理。
X_testSet.describe() X_testSet.shape (143, 30) 对训练集数据进行“学习训练”后自动获取它的均值和方差再分别对训练集和测试集进行“归一化”处理。采用的实现方式为调用scikit-learn包中的preprocessing模块的StandardScaler()方法。其中训练集数据的归一化处理如下
from sklearn.preprocessing import StandardScaler
means_normalizationStandardScaler() #均值归一化处理
means_normalization.fit(X_trainingSet) #进行训练集的“诊断学习”得到均值和方差
X_train_normalizationmeans_normalization.transform(X_trainingSet)
X_train_normalization array([[ 0.30575375, 2.59521918, 0.46246107, ..., 1.81549702,2.10164609, 3.38609913],[ 0.23351721, -0.05334893, 0.20573083, ..., 0.5143837 ,0.14721854, 0.05182385],[ 0.15572401, 0.18345881, 0.11343692, ..., 0.69446859,0.263409 , -0.10011179],...,[ 0.85586279, 1.19276558, 0.89773369, ..., 1.12967374,0.75591781, 2.97065009],[-0.02486734, 0.44095848, -0.08606303, ..., -0.52515632,-1.1291423 , -0.45561747],[-0.30270019, -0.20968802, -0.37543871, ..., -0.967865 ,-1.54361274, -1.31500348]]) 对测试集数据也采用相同的方式进行归一化处理。
X_test_normalizationmeans_normalization.transform(X_testSet)
X_test_normalization array([[ 0.15850234, -1.23049032, 0.25369143, ..., -0.05738582,-0.08689656, 0.48863884],[-0.2638036 , -0.15450952, -0.23961754, ..., 1.41330744,1.77388495, 2.02105229],[-0.32492682, -0.76147305, -0.35407811, ..., -0.1354226 ,0.87210827, 0.71179432],...,[ 0.25852216, -0.06024625, 0.21500053, ..., -0.03937733,-1.03202789, -0.84910706],[ 1.46709506, 0.95825694, 1.49824869, ..., 0.62693676,0.07438274, -0.45739797],[-0.61942964, 0.42256565, -0.6261235 , ..., -0.48013509,0.34318156, -0.6134881 ]]) 七、模型训练
训练集进行学习概念“诊断结果”利用测试集进行KNN建模。通过对训练和测试数据进行适当的处理后接下来进行模型参数的确定。KNN模型类别有暴力法、KD树和球树。暴力法适用于数据较少的形式而KD树在较多的数据中更有优势考虑到算法效率问题结合本项目中数据框的数据量选择KD树进行建模首先取得KNN分类器并使用内置参数调整KNN三要素。
这里采用的模型训练实现方式为scikit-learn包中的neighbors模块的KNeighborsClassifier()方法其中对于设置的各项参数解释如下
1algorithm表示快速k近邻搜索算法这里确定的算法模型为KD树。
2leaf_size是构造KD树的大小默认为30。
3metric用于距离度量默认度量是minkowski。
4metric_params表示距离公式的其他关键参数并不是很重要使用默认的None。
5n_jobs是并行处理设置使用默认的None。
6n_neighbors表示初始设定的近邻树即KNN算法中的k值。
7p代表距离度量公式其中1为哈曼顿距离公式2为欧氏距离公式这里使用欧氏距离公式进行距离度量将p值设置为2。
8weights表权重默认为uniform均等权重。
接着利用训练函数fit()和预测函数predict()实现对训练集已知数据和测试集数据的对比输出。
from sklearn.neighbors import KNeighborsClassifier
myModelKNeighborsClassifier(algorithmkd_tree,leaf_size30,metricminkowski,metric_paramsNone,n_jobsNone,n_neighbors5,p2,weightsuniform)
myModel.fit(X_trainingSet,y_trainingSet)
y_predictSetmyModel.predict(X_testSet) fit()函数数据训练结果如下
y_testSet array([B, M, B, M, M, M, M, M, B, B, B, M, M,B, B, B, B, B, B, M, B, B, M, B, M, B,B, M, M, M, M, B, M, M, B, B, M, B, M,B, B, B, B, B, B, M, B, B, B, M, M, M,B, B, B, B, B, M, B, B, B, M, B, B, B,B, B, M, B, B, B, B, M, M, B, M, M, M,B, M, B, M, B, M, B, B, M, B, M, B, B,M, B, B, M, M, B, B, B, B, B, B, B, B,B, B, B, B, M, M, M, B, B, B, M, M, B,B, B, B, B, M, M, B, B, M, M, B, M, M,B, B, B, M, B, M, M, B, B, B, M, M, B],dtypeobject) 用predict()函数进行预测的结果如下
y_predictSet array([M, M, B, M, M, M, M, M, B, B, B, M, M,B, B, B, B, B, B, M, B, B, M, B, M, B,B, M, M, M, M, B, M, B, B, B, M, B, B,B, B, B, B, B, B, M, B, B, B, M, M, M,B, B, B, B, B, M, B, B, B, M, B, M, B,B, B, M, B, B, B, B, M, M, B, M, B, B,B, M, B, M, B, M, B, B, M, B, M, B, B,M, B, B, M, M, B, B, B, B, B, B, B, B,B, B, B, B, M, M, B, B, B, B, M, M, B,B, B, B, B, M, M, B, B, M, M, M, M, M,B, B, B, M, B, M, M, M, B, B, M, M, B],dtypeobject) 最后使用get_params()方法实现对模型各参数的查询
myModel.get_params() {algorithm: kd_tree,leaf_size: 30,metric: minkowski,metric_params: None,n_jobs: None,n_neighbors: 5,p: 2,weights: uniform}由上述输出结果可以看出使用get_params()方法查询参数是以字典结构的形式展现并且可以看到参数结果与之前设置保持一致。
八、模型评价
为了评价所建立模型的性能采用“预测准确率Accuracy Score”参数具体实现方式是调用scikit-learn包的metrics模块的accuracy_score()方法。
from sklearn.metrics import accuracy_score
accuracy_score(y_testSet,y_predictSet) 0.9370629370629371 通过结果输出可知模型预测结果的准确率约为93.71%可以考虑尝试进一步优化。
九、模型调参
通过前面分析可知k值的大小对模型预测结果会产生很多的影响。为此接下来利用准确率函数score()来实现k值范围在1~22的准确率值计算。
import matplotlib.pyplot as plt
NumberOfNeighborsrange(1,23)
KNNs[KNeighborsClassifier(n_neighborsi) for i in NumberOfNeighbors]
range(len(KNNs))
scores[KNNs[i].fit(X_trainingSet,y_trainingSet).score(X_testSet,y_testSet) for i in range(0,22)]
plt.plot(NumberOfNeighbors,scores)
plt.title(Elbow Curve)
plt.xlabel(Number of Neighbors)
plt.ylabel(Score) 通过图标信息可以看到当k的值即n_neighbors为4时模型预测得分最高因此接下来对模型参数进行改进。
十、模型改进
myModel_proveKNeighborsClassifier(algorithmkd_tree,leaf_size30,metricminkowski,metric_paramsNone,n_jobsNone,n_neighbors4,p2,weightsuniform)
myModel_prove.fit(X_trainingSet,y_trainingSet)
y_predictSetmyModel_prove.predict(X_testSet)
十一、模型预测 fit()函数数据训练结果如下
y_predictSet array([B, M, B, M, M, M, M, M, B, B, B, B, M,B, B, B, B, B, B, M, B, B, M, B, M, B,B, M, M, M, M, B, M, B, B, B, M, B, B,B, B, B, B, B, B, M, B, B, B, M, M, M,B, B, B, B, B, M, B, B, B, M, B, M, B,B, B, M, B, B, B, B, M, M, B, M, B, B,B, M, B, M, B, M, B, B, M, B, M, B, B,M, B, B, M, M, B, B, B, B, B, B, B, B,B, B, B, B, M, M, B, B, B, B, M, M, B,B, B, B, B, M, M, B, B, M, M, M, M, M,B, B, B, M, B, M, M, B, B, B, M, M, B],dtypeobject) 用predict()函数进行预测的结果如下
y_predictSet array([B, M, B, M, M, M, M, M, B, B, B, B, M,B, B, B, B, B, B, M, B, B, M, B, M, B,B, M, M, M, M, B, M, B, B, B, M, B, B,B, B, B, B, B, B, M, B, B, B, M, M, M,B, B, B, B, B, M, B, B, B, M, B, M, B,B, B, M, B, B, B, B, M, M, B, M, B, B,B, M, B, M, B, M, B, B, M, B, M, B, B,M, B, B, M, M, B, B, B, B, B, B, B, B,B, B, B, B, M, M, B, B, B, B, M, M, B,B, B, B, B, M, M, B, B, M, M, M, M, M,B, B, B, M, B, M, M, B, B, B, M, M, B],dtypeobject) 为了评价所建立模型的性能采用“预测准确率Accuracy Score”参数具体实现方式是调用scikit-learn包的metrics模块的accuracy_score()方法。
accuracy_score(y_testSet,y_predictSet) 0.9440559440559441 从输出结果可以看出模型的预测准确率提高了说明对模型进行了优化。
