机器学习深度学习初学者躲不开的10大算法！包含教程！

今天我们将分享机器学习10大算法的下半部分，如果还没看过上半部分的可以点击下面图片查看上半部分。

支持向量机（SVM）

支持向量机（SVM）是强大且多功能的监督学习模型，广泛应用于分类和回归任务中，尤其擅长处理复杂数据集。

SVM 在高维空间中构建超平面（或一组超平面），以分隔不同的类别。

其核心目标是找到最优的边界（即超平面与每个类别中最近点之间的距离，这些点被称为支持向量），以此来区分各个类别。

评估指标

分类任务：准确率、精确率、召回率、F1分数。
回归任务：均方误差（MSE）、R平方。

使用Scikit-learn应用SVM

我们将SVM应用于乳腺癌数据集，专注于将肿瘤分类为良性或恶性。我们将训练SVM模型，并使用分类评估指标来评估其性能。

以下是我们将遵循的步骤：

创建并训练SVM模型：使用默认设置创建一个支持向量机（SVM）模型。SVM以其能够构建超平面（或在更高维空间中构建多个超平面）的能力而著称，这些超平面以尽可能宽的边距分隔不同类别。
预测：使用训练好的SVM模型对测试数据集的类别标签进行预测。模型通过判断每个数据点位于超平面的哪一侧来实现这一点。
评估：将模型的预测结果与测试集的实际标签进行比较，以评估其性能。

代码实现：

from sklearn.svm import SVC
breast_cancer = load_breast_cancer()X, y = breast_cancer.data, breast_cancer.target
# Splitting the dataset into training and testing setsX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Creating and training the SVM modelsvm_model = SVC()svm_model.fit(X_train, y_train)
# Predicting the test set resultsy_pred_svm = svm_model.predict(X_test)
# Evaluating the modelaccuracy_svm = accuracy_score(y_test, y_pred_svm)precision_svm = precision_score(y_test, y_pred_svm, average='macro')recall_svm = recall_score(y_test, y_pred_svm, average='macro')f1_svm = f1_score(y_test, y_pred_svm, average='macro')
accuracy_svm, precision_svm, recall_svm, f1_svm
# Print the resultsprint("Accuracy:", accuracy_svm)print("Precision:", precision_svm)print("Recall:", recall_svm)print("F1 Score:", f1_svm)

输出结果：

这些结果表明，SVM模型在乳腺癌数据集上表现极为出色。其高准确率、精确率、召回率和F1分数充分证明了该模型在区分良性和恶性肿瘤方面的有效性。

在医疗诊断中，精确率和召回率之间的平衡尤为重要，因为假阳性和假阴性都可能带来严重的后果。

随机森林

随机森林是一种常用于回归和分类的集成学习技术，为了提供更可靠、更准确的预测，它构建了多棵决策树并将它们的结果进行融合。

在随机森林中，每棵树都会做出一个预测，对于分类任务，模型的预测结果属于获得最多投票的类别；

对于回归任务，则取不同树输出的平均值作为最终结果。

评估指标：

分类：准确率、精确率、召回率、F1分数。
回归：均方误差（MSE）、R平方。

使用Scikit-learn应用随机森林

我们将随机森林应用于乳腺癌数据集，以分类肿瘤为良性或恶性。我们将训练随机森林模型，并使用分类评估指标来评估其性能。

以下是步骤：

创建并训练随机森林模型：初始化一个随机森林分类器。使用训练数据对模型进行拟合（训练）。

预测：使用训练好的模型对测试数据的标签进行预测。
评估：使用准确率、精确率、召回率和F1分数来评估模型在测试数据上的性能。

代码实现：

from sklearn.ensemble import RandomForestClassifier
breast_cancer = load_breast_cancer()X, y = breast_cancer.data, breast_cancer.target
# Splitting the dataset into training and testing setsX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Creating and training the Random Forest modelrf_model = RandomForestClassifier(random_state=42)rf_model.fit(X_train, y_train)
# Predicting the test set resultsy_pred_rf = rf_model.predict(X_test)
# Evaluating the modelaccuracy_rf = accuracy_score(y_test, y_pred_rf)precision_rf = precision_score(y_test, y_pred_rf, average='macro')recall_rf = recall_score(y_test, y_pred_rf, average='macro')f1_rf = f1_score(y_test, y_pred_rf, average='macro')
# Print the resultsprint("Accuracy:", accuracy)print("Precision:", precision)print("Recall:", recall)print("F1 Score:", f1)

输出结果：

这些结果表明，随机森林模型在乳腺癌数据集上表现优异，所有关键指标得分均很高。

高精确率和高召回率表明，该模型在准确识别良性和恶性肿瘤方面非常有效，同时能够平衡地减少假阳性和假阴性的发生。

K-均值聚类

K-均值聚类是一种无监督学习算法，用于将数据分组为“K”个簇。

算法首先确定K个质心，然后将每个数据点分配给最近的簇，目标是最小化质心的大小（即簇内数据点到质心的距离之和）。

算法通过将数据点分配给簇，使得数据点与簇质心之间的平方距离之和达到最小。

簇内数据点的同质性随着簇内方差的减小而增加。

评估指标：

惯性（Inertia）：样本到最近簇中心的平方距离总和，称为惯性。该值越小越好。
轮廓系数（Silhouette Score）：表示一个样本与其所在簇的相似度，以及与其他簇的分离度。轮廓系数越高，表示样本与其所在簇的匹配度越好，与邻近簇的匹配度越差。轮廓系数的取值范围从-1到1。

使用Scikit-learn进行应用

我们将使用鸢尾花（Iris）数据集进行K-均值聚类。任务是根据鸢尾花的花卉测量数据将其分组为不同的簇。

我们将训练模型，将植物分配给不同的簇，并评估聚类效果。

加载鸢尾花数据集：鸢尾花数据集包含了鸢尾花的花卉测量数据，包括萼片长度、萼片宽度、花瓣长度和花瓣宽度。尽管该数据集通常用于分类任务，但在这里我们将用它来进行聚类分析。

应用K-均值聚类：我们初始化了一个K-均值聚类算法，设置 n_clusters=3，因为数据集中有三种鸢尾花种类。然而，算法本身并不知道这些种类；它只是尝试找到将数据最佳地分为三个簇的方法。我们将模型拟合到包含四个特征的数据集X上。K-均值算法会根据数据点到簇质心的距离，迭代地将每个数据点分配给三个簇中的一个。

预测簇：使用predict方法将X中的每个数据点分配给三个簇中的一个。在K-均值聚类中，这一步有些概念上的重叠，因为拟合和预测是同时进行的，但本质上，现在每个数据点都被标记了一个簇编号。

评估聚类效果：
我们使用两个指标来评估聚类效果：
惯性（Inertia）：这是样本到其最近簇中心的平方距离之和。它是衡量簇内部一致性的指标。我们的目标是降低惯性值。
轮廓系数（Silhouette Score）：这个指标衡量了一个对象与其所在簇的相似度（内聚性）相对于其他簇（分离度）的程度。轮廓系数的取值范围是-1到1，其中高值表示对象与其所在簇匹配良好，而与邻近簇匹配不佳。

代码实现：

from sklearn.datasets import load_irisfrom sklearn.cluster import KMeansfrom sklearn.metrics import silhouette_score
# Load the Iris datasetiris = load_iris()X = iris.data
# Applying K-Means Clusteringkmeans = KMeans(n_clusters=3, random_state=42)kmeans.fit(X)
# Predicting the cluster for each data pointy_pred_clusters = kmeans.predict(X)
# Evaluating the modelinertia = kmeans.inertia_silhouette = silhouette_score(X, y_pred_clusters)
print("Inertia:", inertia)print("Silhouette:", silhouette)

输出结果：

这些指标表明，K-均值算法在聚类鸢尾花数据集方面表现相当不错，尽管在簇的紧凑性和分离度方面仍有改进空间。

主成分分析（PCA）

主成分分析（PCA）是实现降维的一种有效方法。它通过将数据转换到一个新的坐标系中，减少变量的数量，同时尽可能保留原始数据的主要变化信息。

PCA旨在找到能够最大化数据中方差的主要成分或轴。第一个主成分捕获最多的方差，第二个主成分（与第一个正交）捕获次多的方差，依此类推。

评估指标：

解释方差：表示每个主成分捕获了多少数据中的方差。
总解释方差：所选主成分累计解释的方差总和。

使用Scikit-learn进行应用：

我们将对乳腺癌数据集应用PCA，该数据集包含了从乳腺肿瘤细针穿刺（FNA）数字图片中提取的特征。

我们的目标是在最小化数据集维度的同时，保留尽可能多的信息。

以下是我们将遵循的步骤：

加载乳腺癌数据集：乳腺癌数据集由乳腺肿块细针穿刺数字化图像的特征组成。这些特征是在图片中可见的细胞核的属性。

应用PCA：我们初始化PCA，设置n_components=2，表示我们的目标是将数据集降至二维。这一选择通常用于可视化目的或作为其他算法的预处理步骤。我们将PCA拟合到数据X上。在此过程中，PCA会识别出对数据中方差贡献最大的轴（即主成分）。
转换数据：使用PCA的transform方法将降维应用到X上。这将生成一个新的数据集X_pca，其中每个数据点现在都用两个主成分来表示。
评估PCA转换效果：我们通过查看每个主成分的解释方差来评估PCA转换的效果。这告诉我们每个主成分捕获了数据总方差中的多少比例。

通过计算两个主成分的解释方差之和，我们得到总解释方差，这为我们提供了一个整体衡量标准，即在降维过程中保留了多少信息。

代码实现：

from sklearn.datasets import load_breast_cancerfrom sklearn.decomposition import PCAimport numpy as np
# Load the Breast Cancer datasetbreast_cancer = load_breast_cancer()X = breast_cancer.data
# Applying PCApca = PCA(n_components=2)  # Reducing to 2 dimensions for simplicitypca.fit(X)
# Transforming the dataX_pca = pca.transform(X)
# Explained Varianceexplained_variance = pca.explained_variance_ratio_
# Total Explained Variancetotal_explained_variance = np.sum(explained_variance)
print("Explained variance:", explained_variance)print("Total Explained Variance:", total_explained_variance)

输出结果：

现在，我们来评估结果。

解释方差：

第一主成分：98.20%
第二主成分：1.62%
总解释方差：99.82%

这些结果表明，通过仅将数据集降维到两个主成分，我们已经捕获了数据集中约99.82%的总方差。

其中，仅第一主成分就占据了显著的大部分方差，这表明它捕获了数据集中大部分的关键信息。

梯度提升算法

梯度提升是一种先进的机器学习技术，它通过顺序构建多个弱预测模型（通常是决策树）来实现。

每个新模型都逐渐最小化整个系统的损失函数（误差）。

它涉及三个主要组成部分：

一个加法模型，用于添加弱学习器以最小化损失函数；

一个需要优化的损失函数；

一个需要生成预测的弱学习器。

每一棵新树都会修正前面树所犯的错误。

评估指标：

对于分类问题：准确率、精确率、召回率、F1分数。
对于回归问题：均方误差（MSE）、R平方。

使用Scikit-learn应用：我们将使用糖尿病数据集进行梯度提升。

我们的目标是基于各种特征来预测糖尿病的进展，我们将训练一个梯度提升模型并评估其性能。

以下是我们将遵循的步骤：

加载糖尿病数据集：糖尿病数据集包含了多种特征，包括年龄、性别、身体质量指数、平均血压以及六项血液血清指标。目标变量是在基线后一年内对疾病发展的定量评估。
创建并训练梯度提升模型：我们初始化一个梯度提升回归器。梯度提升允许优化任何可微分的损失函数，并以逐步向前的方式构建加性模型。我们在训练数据上训练（拟合）这个模型。在这一步中，模型学习基于特征来预测糖尿病的进展。
预测：我们使用训练好的梯度提升模型对测试数据中的疾病进展进行预测。这一步涉及将模型应用于未见过的数据，以评估其预测能力。
评估：我们使用两个关键指标来评估模型的性能：
均方误差（MSE）：该指标计算错误平方的平均值。它是评估估计量质量的一个指标；值越接近零表示质量越高。
R平方：该统计量基于模型解释的总结果方差的百分比，给出了模型复制观测结果好坏的指示。

代码实现：

from sklearn.datasets import load_diabetesfrom sklearn.ensemble import GradientBoostingRegressorfrom sklearn.metrics import mean_squared_error, r2_score
# Load the Diabetes datasetdiabetes = load_diabetes()X, y = diabetes.data, diabetes.target
# Splitting the dataset into training and testing setsX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Creating and training the Gradient Boosting modelgb_model = GradientBoostingRegressor(random_state=42)gb_model.fit(X_train, y_train)
# Predicting the test set resultsy_pred_gb = gb_model.predict(X_test)
# Evaluating the modelmse_gb = mean_squared_error(y_test, y_pred_gb)r2_gb = r2_score(y_test, y_pred_gb)
print("MSE:", mse_gb)print("R2 score:", r2_gb)