摘要：使用該數(shù)據(jù)集，我們將構(gòu)建機(jī)器學(xué)習(xí)模型以使用腫瘤信息來預(yù)測(cè)腫瘤是惡性的還是良性的。我們將使用函數(shù)來確定機(jī)器學(xué)習(xí)分類器的準(zhǔn)確性。您已成功構(gòu)建了第一臺(tái)機(jī)器學(xué)習(xí)分類器?，F(xiàn)在，您可以使用在中加載數(shù)據(jù)組織數(shù)據(jù)訓(xùn)練預(yù)測(cè)和評(píng)估機(jī)器學(xué)習(xí)分類器。

歡迎大家前往騰訊云+社區(qū)，獲取更多騰訊海量技術(shù)實(shí)踐干貨哦~

本文由信姜緣  發(fā)表于云+社區(qū)專欄

機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)、人工智能和統(tǒng)計(jì)學(xué)的研究領(lǐng)域。機(jī)器學(xué)習(xí)的重點(diǎn)是訓(xùn)練算法以學(xué)習(xí)模式并根據(jù)數(shù)據(jù)進(jìn)行預(yù)測(cè)。機(jī)器學(xué)習(xí)特別有價(jià)值，因?yàn)樗屛覀兛梢允褂糜?jì)算機(jī)來自動(dòng)化決策過程。

在本教程中，您將使用Scikit-learn（Python的機(jī)器學(xué)習(xí)工具）在Python中實(shí)現(xiàn)一個(gè)簡(jiǎn)單的機(jī)器學(xué)習(xí)算法。您將使用Naive Bayes（NB）分類器，結(jié)合乳腺癌腫瘤信息數(shù)據(jù)庫(kù)，預(yù)測(cè)腫瘤是惡性還是良性。

在本教程結(jié)束時(shí)，您將了解如何使用Python構(gòu)建自己的機(jī)器學(xué)習(xí)模型。關(guān)于Python的語(yǔ)法詳見騰訊云開發(fā)者手冊(cè)Python中文開發(fā)文檔。

要完成本教程，您需要：

Python 3 本地編程環(huán)境

在virtualenv中安裝Jupyter Notebook。Jupyter Notebooks在運(yùn)行機(jī)器學(xué)習(xí)實(shí)驗(yàn)時(shí)非常有用。您可以運(yùn)行短代碼塊并快速查看結(jié)果，從而輕松測(cè)試和調(diào)試代碼。

讓我們首先安裝Python模塊Scikit-learn，這是Python 最好、文檔記錄最多的機(jī)器學(xué)習(xí)庫(kù)之一。

要開始我們的編碼項(xiàng)目，先要激活我們的Python 3編程環(huán)境。確保您位于環(huán)境所在的目錄中，然后運(yùn)行以下命令：

$ . my_env/bin/activate

激活我們的編程環(huán)境后，檢查是否已安裝Sckikit-learn模塊：

(my_env) $ python -c "import sklearn"

如果sklearn已安裝，則此命令將完成且沒有錯(cuò)誤。如果未安裝，您將看到以下錯(cuò)誤消息：

Traceback (most recent call last): File "", line 1, in  ImportError: No module named "sklearn"

錯(cuò)誤消息表明sklearn未安裝，因此請(qǐng)使用pip下載庫(kù)：

(my_env) $ pip install scikit-learn[alldeps]

安裝完成后，啟動(dòng)Jupyter Notebook：

(my_env) $ jupyter notebook

在Jupyter中，創(chuàng)建一個(gè)名為ML Tutorial的新Python Notebook。在Notebook的第一個(gè)單元格，輸入sklearn模塊：

ML Tutorial

import sklearn

您的 Notebook應(yīng)如下圖所示：

Notebook

現(xiàn)在我們已經(jīng)在 Notebook中導(dǎo)入了sklearn，我們可以開始使用機(jī)器學(xué)習(xí)模型的數(shù)據(jù)集。

我們將在本教程中使用的數(shù)據(jù)集是乳腺癌威斯康星診斷數(shù)據(jù)庫(kù)。該數(shù)據(jù)集包括關(guān)于乳腺癌腫瘤的各種信息，以及惡性或良性的分類標(biāo)簽。該數(shù)據(jù)集在569個(gè)腫瘤上具有569個(gè)實(shí)例或數(shù)據(jù)，并且包括關(guān)于30個(gè)屬性或特征的信息，例如腫瘤的半徑，紋理，平滑度和面積。

使用該數(shù)據(jù)集，我們將構(gòu)建機(jī)器學(xué)習(xí)模型以使用腫瘤信息來預(yù)測(cè)腫瘤是惡性的還是良性的。

Scikit-learn安裝了各種數(shù)據(jù)集，我們可以將其加載到Python中，并包含我們想要的數(shù)據(jù)集。導(dǎo)入并加載數(shù)據(jù)集：

ML Tutorial

...

from sklearn.datasets import load_breast_cancer

# Load dataset
data = load_breast_cancer()

該data變量表示一個(gè)像字典一樣工作的Python對(duì)象。字典的關(guān)鍵是分類標(biāo)簽名稱（target_names），實(shí)際標(biāo)簽（target），屬性/特征名稱（feature_names）和屬性（data）。

屬性是任何分類器的關(guān)鍵部分。屬性捕獲有關(guān)數(shù)據(jù)性質(zhì)的重要特征。鑒于我們?cè)噲D預(yù)測(cè)的標(biāo)簽是惡性腫瘤與良性腫瘤，可能的有用屬性有腫瘤的大小，半徑和質(zhì)地。

為每個(gè)重要信息集創(chuàng)建新變量并分配數(shù)據(jù)：

ML Tutorial

...

# Organize our data
label_names = data["target_names"]
labels = data["target"]
feature_names = data["feature_names"]
features = data["data"]

我們現(xiàn)在有了每組信息的列表。為了更好地理解我們的數(shù)據(jù)集，讓我們通過輸出我們的類標(biāo)簽、第一個(gè)數(shù)據(jù)實(shí)例的標(biāo)簽、我們的功能名稱以及第一個(gè)數(shù)據(jù)實(shí)例的功能值來查看我們的數(shù)據(jù)：

ML Tutorial

...

# Look at our data
print(label_names)
print(labels[0])
print(feature_names[0])
print(features[0])

如果運(yùn)行代碼，您將看到以下結(jié)果：

輸出結(jié)果

如圖所示，我們的類名是惡性和良性，然后將其映射到二進(jìn)制值0和1，其中0代表惡性腫瘤1代表良性腫瘤。因此，我們的第一個(gè)數(shù)據(jù)實(shí)例是惡性腫瘤，其平均半徑為1.79900000e+01。

現(xiàn)在我們已經(jīng)加載了數(shù)據(jù)，我們可以使用我們的數(shù)據(jù)來構(gòu)建我們的機(jī)器學(xué)習(xí)分類器。

要評(píng)估分類器的性能，您應(yīng)該始終在看不見的數(shù)據(jù)上測(cè)試模型。因此，在構(gòu)建模型之前，將數(shù)據(jù)拆分為兩部分：訓(xùn)練集和測(cè)試集。

您可以使用訓(xùn)練集在開發(fā)階段訓(xùn)練和評(píng)估模型。然后，您使用訓(xùn)練的模型對(duì)看不見的測(cè)試集進(jìn)行預(yù)測(cè)。這種方法讓您了解模型的性能和穩(wěn)健性。

幸運(yùn)的是，sklearn有一個(gè)名為train_test_split()的函數(shù)，它將您的數(shù)據(jù)劃分為這些集合。導(dǎo)入該函數(shù)，然后使用它來拆分?jǐn)?shù)據(jù)：

ML Tutorial

...

from sklearn.model_selection import train_test_split

# Split our data
train, test, train_labels, test_labels = train_test_split(features,
                                                          labels,
                                                          test_size=0.33,
                                                          random_state=42)

該函數(shù)使用test_size參數(shù)隨機(jī)分割數(shù)據(jù)。在這個(gè)例子中，我們現(xiàn)在有一個(gè)測(cè)試集（test）代表原始數(shù)據(jù)集的33％。然后剩下的數(shù)據(jù)（train）組成訓(xùn)練數(shù)據(jù)。我們還有列車/測(cè)試變量的相應(yīng)標(biāo)簽，即train_labels和test_labels。

我們現(xiàn)在可以繼續(xù)培訓(xùn)我們的第一個(gè)模型。

機(jī)器學(xué)習(xí)有很多模型，每種模型都有自己的優(yōu)點(diǎn)和缺點(diǎn)。在本教程中，我們將重點(diǎn)介紹一種通常在二進(jìn)制分類任務(wù)中表現(xiàn)良好的簡(jiǎn)單算法，即Naive Bayes (NB)。

首先，導(dǎo)入GaussianNB模塊。然后使用GaussianNB()函數(shù)初始化模型，然后通過使用gnb.fit()將模型擬合到數(shù)據(jù)來訓(xùn)練模型：

ML Tutorial

...

from sklearn.naive_bayes import GaussianNB

# Initialize our classifier
gnb = GaussianNB()

# Train our classifier
model = gnb.fit(train, train_labels)

在我們訓(xùn)練模型之后，我們可以使用訓(xùn)練的模型對(duì)我們的測(cè)試集進(jìn)行預(yù)測(cè)，這里，我們使用predict()函數(shù)。該predict()函數(shù)返回測(cè)試集中每個(gè)數(shù)據(jù)實(shí)例的預(yù)測(cè)數(shù)組。然后我們可以輸出我們的預(yù)測(cè)，以了解模型確定的內(nèi)容。

使用帶有test的predict()函數(shù)輸出結(jié)果：

ML Tutorial

...

# Make predictions
preds = gnb.predict(test)
print(preds)

運(yùn)行代碼，您將看到以下結(jié)果：

預(yù)測(cè)輸出結(jié)果

正如您在Jupyter Notebook輸出中看到的，該predict()函數(shù)返回了一個(gè)0s和1s 數(shù)組，它們代表了我們對(duì)腫瘤類的預(yù)測(cè)值（惡性與良性）。

現(xiàn)在我們有了預(yù)測(cè)，讓我們?cè)u(píng)估分類器的表現(xiàn)。

使用真實(shí)類標(biāo)簽數(shù)組，我們可以通過比較兩個(gè)數(shù)組（test_labelsvs.preds）來評(píng)估模型預(yù)測(cè)值的準(zhǔn)確性。我們將使用sklearn函數(shù)accuracy_score()來確定機(jī)器學(xué)習(xí)分類器的準(zhǔn)確性。

ML Tutorial

...

from sklearn.metrics import accuracy_score

# Evaluate accuracy
print(accuracy_score(test_labels, preds))

您將看到以下結(jié)果：

準(zhǔn)確性結(jié)果

正如您在輸出中看到的那樣，NB分類器準(zhǔn)確率為94.15％。這意味著分類器有94.15％的時(shí)間能夠正確預(yù)測(cè)腫瘤是惡性還是良性。這些結(jié)果表明我們的30個(gè)屬性的特征集是腫瘤類別的良好指標(biāo)。

您已成功構(gòu)建了第一臺(tái)機(jī)器學(xué)習(xí)分類器。讓我們通過將所有import語(yǔ)句放在Notebook或腳本的頂部來重新組織代碼。代碼的最終版本應(yīng)如下所示：

ML教程

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

# Load dataset
data = load_breast_cancer()

# Organize our data
label_names = data["target_names"]
labels = data["target"]
feature_names = data["feature_names"]
features = data["data"]

# Look at our data
print(label_names)
print("Class label = ", labels[0])
print(feature_names)
print(features[0])

# Split our data
train, test, train_labels, test_labels = train_test_split(features,
                                                          labels,
                                                          test_size=0.33,
                                                          random_state=42)

# Initialize our classifier
gnb = GaussianNB()

# Train our classifier
model = gnb.fit(train, train_labels)

# Make predictions
preds = gnb.predict(test)
print(preds)

# Evaluate accuracy
print(accuracy_score(test_labels, preds))

現(xiàn)在，您可以繼續(xù)使用代碼來查看是否可以使分類器的性能更佳。您可以嘗試不同的功能子集，甚至嘗試完全不同的算法。

在本教程中，您學(xué)習(xí)了如何在Python中構(gòu)建機(jī)器學(xué)習(xí)分類器?，F(xiàn)在，您可以使用Scikit-learn在Python中加載數(shù)據(jù)、組織數(shù)據(jù)、訓(xùn)練、預(yù)測(cè)和評(píng)估機(jī)器學(xué)習(xí)分類器。本教程中的步驟可以幫助您簡(jiǎn)化在Python中使用自己的數(shù)據(jù)的過程，更多機(jī)器學(xué)習(xí)和人工智能的相關(guān)教程可以訪問騰訊云社區(qū)。

參考文獻(xiàn)：《How To Build a Machine Learning Classifier in Python with Scikit-learn》

問答
機(jī)器學(xué)習(xí)入門需要哪些數(shù)學(xué)基礎(chǔ)？
相關(guān)閱讀
安全報(bào)告 | 2018上半年互聯(lián)網(wǎng)惡意爬蟲分析：從全景視角看爬蟲與反爬蟲
安全報(bào)告 | SSH 暴力破解趨勢(shì)：從云平臺(tái)向物聯(lián)網(wǎng)設(shè)備遷移
給你的CVM安裝一個(gè)面板吧！

此文已由作者授權(quán)騰訊云+社區(qū)發(fā)布，原文鏈接：https://cloud.tencent.com/dev...

歡迎大家前往騰訊云+社區(qū)或關(guān)注云加社區(qū)微信公眾號(hào)（QcloudCommunity），第一時(shí)間獲取更多海量技術(shù)實(shí)踐干貨哦~

海量技術(shù)實(shí)踐經(jīng)驗(yàn)，盡在云加社區(qū)！