經Edwin Chen的推薦，認識了scikit-learn這個非常強大的python機器學習工具包。這個帖子作為筆記。（其實都沒有筆記的意義，因為他家文檔做的太好了，不過還是為自己記記吧，為以後節省若干分鐘）。如果有幸此文被想用scikit-learn的你看見，也還是非常希望你去它們的主頁看文檔。主頁中最值得關注的幾個部分：User Guide幾乎是machine learning的索引，各種方法如何使用都有，Reference是各個類的用法索引。
S1. 導入數據
大多數數據的格式都是M個N維向量，分為訓練集和測試集。所以，知道如何導入向量（矩陣）數據是最為關鍵的一點。這裡要用到numpy來協助。假設數據格式是：
復制代碼代碼如下:
Stock prices indicator1 indicator2
2.0 123 1252
1.0 .. ..
.. . .
.
導入代碼參考：
復制代碼代碼如下:
import numpy as np
f = open("filename.txt")
f.readline() # skip the header
data = np.loadtxt(f)
X = data[:, 1:] # select columns 1 through end
y = data[:, 0] # select column 0, the stock price
libsvm格式的數據導入：
復制代碼代碼如下:
>>> from sklearn.datasets import load_svmlight_file
>>> X_train, y_train = load_svmlight_file("/path/to/train_dataset.txt")
...
>>>X_train.todense()#將稀疏矩陣轉化為完整特征矩陣
更多格式數據導入與生成參考：http://scikit-learn.org/stable/datasets/index.html
S2. Supervised Classification 幾種常用方法：
Logistic Regression
復制代碼代碼如下:
>>> from sklearn.linear_model import LogisticRegression
>>> clf2 = LogisticRegression().fit(X, y)
>>> clf2
LogisticRegression(C=1.0, intercept_scaling=1, dual=False, fit_intercept=True,
penalty='l2', tol=0.0001)
>>> clf2.predict_proba(X_new)
array([[ 9.07512928e-01, 9.24770379e-02, 1.00343962e-05]])
Linear SVM (Linear kernel)
復制代碼代碼如下:
>>> from sklearn.svm import LinearSVC
>>> clf = LinearSVC()
>>> clf.fit(X, Y)
>>> X_new = [[ 5.0, 3.6, 1.3, 0.25]]
>>> clf.predict(X_new)#reuslt[0] if class label
array([0], dtype=int32)
SVM (RBF or other kernel)
復制代碼代碼如下:
>>> from sklearn import svm
>>> clf = svm.SVC()
>>> clf.fit(X, Y)
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3,
gamma=0.0, kernel='rbf', probability=False, shrinking=True, tol=0.001,
verbose=False)
>>> clf.predict([[2., 2.]])
array([ 1.])
Naive Bayes (Gaussian likelihood)
復制代碼代碼如下:
from sklearn.naive_bayes import GaussianNB
>>> from sklearn import datasets
>>> gnb = GaussianNB()
>>> gnb = gnb.fit(x, y)
>>> gnb.predict(xx)#result[0] is the most likely class label
Decision Tree (classification not regression)
復制代碼代碼如下:
>>> from sklearn import tree
>>> clf = tree.DecisionTreeClassifier()
>>> clf = clf.fit(X, Y)
>>> clf.predict([[2., 2.]])
array([ 1.])
Ensemble (Random Forests, classification not regression)
復制代碼代碼如下:
>>> from sklearn.ensemble import RandomForestClassifier
>>> clf = RandomForestClassifier(n_estimators=10)
>>> clf = clf.fit(X, Y)
>>> clf.predict(X_test)
S3. Model Selection (Cross-validation)
手工分training data和testing data當然可以了，但是更方便的方法是自動進行，scikit-learn也有相關的功能，這裡記錄下cross-validation的代碼：
復制代碼代碼如下:
>>> from sklearn import cross_validation
>>> from sklearn import svm
>>> clf = svm.SVC(kernel='linear', C=1)
>>> scores = cross_validation.cross_val_score(clf, iris.data, iris.target, cv=5)#5-fold cv
#change metrics
>>> from sklearn import metrics
>>> cross_validation.cross_val_score(clf, iris.data, iris.target, cv=5, score_func=metrics.f1_score)
#f1 score: <a href="http://en.wikipedia.org/wiki/F1_score">http://en.wikipedia.org/wiki/F1_score</a>
more about cross-validation: http://scikit-learn.org/stable/modules/cross_validation.html
Note: if using LR, clf = LogisticRegression().
S4. Sign Prediction Experiment
數據集，EPINIONS，有user與user之間的trust與distrust關系，以及interaction（對用戶評論的有用程度打分）。
Features：網絡拓撲feature參考"Predict positive and negative links in online social network"，用戶交互信息feature。
一共設了3類instances，每類3次訓練+測試，訓練數據是測試數據的10倍，~80,000個29/5/34維向量，得出下面一些結論。時間上，GNB最快（所有instance都是2~3秒跑完），DT非常快（有一類instance只用了1秒，其他都要4秒），LR很快(三類instance的時間分別是2秒，5秒，~30秒)，RF也不慢（一個instance9秒，其他26秒），linear kernel的SVM要比LR慢好幾倍（所有instance要跑30多秒），RBF kernel的SVM比linear SVM要慢20+倍到上百倍（第一個instance要11分鐘，第二個instance跑了近兩個小時）。准確度上RF>LR>DT>GNB>SVM(RBF kernel)>SVM(Linear kernel)。GNB和SVM(linear kernel)、SVM(rbf kernel)在第二類instance上差的比較遠（10~20個百分點），LR、DT都差不多，RF確實體現了ENSEMBLE方法的強大，比LR有較為顯著的提升（近2~4個百分點）。（注：由於到該文提交為止，RBF版的SVM才跑完一次測試中的兩個instance，上面結果僅基於此。另外，我還嘗試了SGD等方法，總體上都不是特別理想，就不記了）。在feature的有效性上面，用戶交互feature比網絡拓撲feature更加有效百分五到百分十。
S5.通用測試源代碼
這裡是我寫的用包括上述算法在內的多種算法的自動分類並10fold cross-validation的python代碼，只要輸入文件保持本文開頭所述的格式（且不包含注釋信息），即可用多種不同算法測試分類效果。Download.
